論文の概要: Efficient Real-world Testing of Causal Decision Making via Bayesian
Experimental Design for Contextual Optimisation
- arxiv url: http://arxiv.org/abs/2207.05250v1
- Date: Tue, 12 Jul 2022 01:20:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:00:36.816964
- Title: Efficient Real-world Testing of Causal Decision Making via Bayesian
Experimental Design for Contextual Optimisation
- Title（参考訳）: 文脈最適化のためのベイズ実験設計による因果判定の効率的な実世界テスト
- Authors: Desi R. Ivanova, Joel Jennings, Cheng Zhang, Adam Foster
- Abstract要約: 文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。
過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
- 参考スコア（独自算出の注目度）: 12.37745209793872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The real-world testing of decisions made using causal machine learning models
is an essential prerequisite for their successful application. We focus on
evaluating and improving contextual treatment assignment decisions: these are
personalised treatments applied to e.g. customers, each with their own
contextual information, with the aim of maximising a reward. In this paper we
introduce a model-agnostic framework for gathering data to evaluate and improve
contextual decision making through Bayesian Experimental Design. Specifically,
our method is used for the data-efficient evaluation of the regret of past
treatment assignments. Unlike approaches such as A/B testing, our method avoids
assigning treatments that are known to be highly sub-optimal, whilst engaging
in some exploration to gather pertinent information. We achieve this by
introducing an information-based design objective, which we optimise
end-to-end. Our method applies to discrete and continuous treatments. Comparing
our information-theoretic approach to baselines in several simulation studies
demonstrates the superior performance of our proposed approach.
- Abstract（参考訳）: 因果的機械学習モデルを用いた意思決定の現実的なテストは、彼らの成功したアプリケーションにとって必須の前提条件である。
本研究は, 顧客に対して, 報酬の最大化を目的とし, それぞれの文脈情報を付与するパーソナライズド・トリート(パーソナライズド・トリート)の意思決定の評価と改善に焦点をあてる。
本稿では,ベイズ実験設計による文脈的意思決定を評価するために,データ収集のためのモデル非依存フレームワークを提案する。
具体的には,過去の治療課題の後悔をデータ効率で評価するために,本手法を用いる。
A/Bテストのようなアプローチとは異なり、本手法は、関連する情報を集めるためにいくつかの調査をしながら、高度に最適化された治療を割り当てることを避ける。
エンド・ツー・エンドを最適化する情報に基づく設計目標を導入することでこれを実現する。
本手法は離散処理および連続処理に適用できる。
いくつかのシミュレーション研究において,ベースラインに対する情報理論的アプローチを比較することで,提案手法の優れた性能を示す。
関連論文リスト
- Amortized Bayesian Experimental Design for Decision-Making [22.250312394159945]
本稿では、下流決定ユーティリティの最大化を優先する、償却決定対応のBEDフレームワークを提案する。
本稿では,新しいアーキテクチャであるTransformer Neural Decision Process (TNDP)を導入する。
提案手法は複数のタスクにまたがって性能を実証し,情報的設計を実現し,正確な意思決定を容易にすることを示す。
論文 参考訳（メタデータ） (2024-11-04T13:06:46Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳（メタデータ） (2024-02-27T09:23:13Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文 参考訳（メタデータ） (2022-05-20T20:50:17Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - Targeted Active Learning for Bayesian Decision-Making [15.491942513739676]
サンプルを逐次取得する際には,学習と意思決定を分離することが準最適である。
本稿では,ダウン・ザ・ライン決定問題を考慮に入れた,新たなアクティブな学習戦略を提案する。
具体的には、最適決定の後続分布における期待情報ゲインを最大化する、新しい能動的学習基準を導入する。
論文 参考訳（メタデータ） (2021-06-08T09:05:43Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z) - Toward Optimal Probabilistic Active Learning Using a Bayesian Approach [4.380488084997317]
アクティブラーニングは、コストの高いラベリングリソースを効率よく効果的に割り当てることで、ラベリングコストを削減することを目的としている。
提案したモデルにおける既存の選択戦略を再構築することにより、どの側面が現在の最先端に包含されていないかを説明することができる。
論文 参考訳（メタデータ） (2020-06-02T15:59:42Z)
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。