論文の概要: Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty

• arxiv url: http://arxiv.org/abs/2206.12689v1
• Date: Sat, 25 Jun 2022 16:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 04:25:56.696725
• Title: Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
• Title（参考訳）: 構造不確かさ下におけるデータ駆動不均一処理効果評価の改善
• Authors: Christopher Tran, Elena Zheleva
• Abstract要約: ヘテロジニアス処理効果(HTE)推定(英:heregeneous treatment effect, HTE)は、意思決定や政策実施において重要な要素である。 本研究では,HTE推定のための特徴値を考慮した特徴選択手法を開発し,データから因果構造の関連部分を学習する。
• 参考スコア（独自算出の注目度）: 13.452510519858995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating how a treatment affects units individually, known as heterogeneous treatment effect (HTE) estimation, is an essential part of decision-making and policy implementation. The accumulation of large amounts of data in many domains, such as healthcare and e-commerce, has led to increased interest in developing data-driven algorithms for estimating heterogeneous effects from observational and experimental data. However, these methods often make strong assumptions about the observed features and ignore the underlying causal model structure, which can lead to biased HTE estimation. At the same time, accounting for the causal structure of real-world data is rarely trivial since the causal mechanisms that gave rise to the data are typically unknown. To address this problem, we develop a feature selection method that considers each feature's value for HTE estimation and learns the relevant parts of the causal structure from data. We provide strong empirical evidence that our method improves existing data-driven HTE estimation methods under arbitrary underlying causal structures. Our results on synthetic, semi-synthetic, and real-world datasets show that our feature selection algorithm leads to lower HTE estimation error.
• Abstract（参考訳）: ヘテロジニアス処理効果(HTE)推定(英:heregeneous treatment effect, HTE)は、意思決定や政策実施において重要な要素である。 医療や電子商取引など多くの分野における大量のデータの蓄積は、観測データや実験データから不均一な影響を推定するデータ駆動アルゴリズムの開発への関心を高めている。 しかし、これらの手法は観測された特徴について強い仮定をし、基礎となる因果モデル構造を無視し、偏りのあるHTE推定につながる。 同時に、実世界のデータの因果構造を説明することは、典型的にはデータに因果構造を生じさせるメカニズムが不明であるため、しばしば自明である。 この問題に対処するために,HTE推定における各特徴値を考慮した特徴選択手法を開発し,データから因果構造の関連部分を学習する。 本手法は任意の因果構造の下で既存のデータ駆動型HTE推定法を改善することを示す。 合成,半合成,実世界のデータセットを用いた結果,特徴選択アルゴリズムがHTE推定誤差の低減につながることが示された。

関連論文リスト

• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
  異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。 機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
  論文  参考訳（メタデータ） (2023-01-16T21:36:49Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference [7.551130027327462]
  ランダム化制御試験(OSRCT)の観察サンプリングを記述・解析する。 この手法は、処理効果の非偏見的な推定値で構築された観測データセットを作成するのに使用できる。 次に,37データセットに対して7つの因果推論手法を大規模に評価する。
  論文  参考訳（メタデータ） (2020-10-06T21:44:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。