論文の概要: Counterfactual Risk Assessments under Unmeasured Confounding
- arxiv url: http://arxiv.org/abs/2212.09844v1
- Date: Mon, 19 Dec 2022 20:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:27:55.662832
- Title: Counterfactual Risk Assessments under Unmeasured Confounding
- Title(参考訳): 非計測コンバウンディングによるリスク評価
- Authors: Ashesh Rambachan and Amanda Coston and Edward Kennedy
- Abstract要約: 本稿では,無測定の共同設立者が平均的な結果にどのような影響を及ぼすかを限定した,抽出可能な平均結果感度モデルを提案する。
我々は,それらの鋭い識別セットを導出し,高い評価条件下での統計的リスクアセスメントの展開に不可欠な3つの課題を解決した。
- 参考スコア(独自算出の注目度): 4.129225533930966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical risk assessments inform consequential decisions such as pretrial
release in criminal justice, and loan approvals in consumer finance. Such risk
assessments make counterfactual predictions, predicting the likelihood of an
outcome under a proposed decision (e.g., what would happen if we approved this
loan?). A central challenge, however, is that there may have been unmeasured
confounders that jointly affected past decisions and outcomes in the historical
data. This paper proposes a tractable mean outcome sensitivity model that
bounds the extent to which unmeasured confounders could affect outcomes on
average. The mean outcome sensitivity model partially identifies the
conditional likelihood of the outcome under the proposed decision, popular
predictive performance metrics (e.g., accuracy, calibration, TPR, FPR), and
commonly-used predictive disparities. We derive their sharp identified sets,
and we then solve three tasks that are essential to deploying statistical risk
assessments in high-stakes settings. First, we propose a doubly-robust learning
procedure for the bounds on the conditional likelihood of the outcome under the
proposed decision. Second, we translate our estimated bounds on the conditional
likelihood of the outcome under the proposed decision into a robust, plug-in
decision-making policy. Third, we develop doubly-robust estimators of the
bounds on the predictive performance of an existing risk assessment.
- Abstract(参考訳): 統計的リスクアセスメントは、刑事司法における裁判前の釈放や消費者金融におけるローンの承認などの一連の決定を通知する。
このようなリスクアセスメントは偽りの予測を行い、提案された決定の下で結果の可能性を予測する(例えば、このローンを承認したらどうなるか)。
しかし、重要な課題は、過去の決定と過去のデータに共同で影響を及ぼした、計測されていない共同ファウンダーがいることだ。
本稿では,無測定の共同設立者が平均的な結果にどのような影響を及ぼすかを限定した,抽出可能な平均結果感度モデルを提案する。
平均結果感度モデルは、提案した判定条件、一般的な予測性能指標(例えば、精度、校正、TPR、FPR)、一般的に使用される予測格差を部分的に識別する。
我々は,それらの鋭い識別セットを導出し,高い状況下での統計的リスク評価の展開に不可欠な3つの課題を解決する。
まず,提案する決定の下,結果の条件付き確率の限界に対する2倍ロバスト学習手順を提案する。
第2に、提案する決定の下での成果の条件付き可能性に関する推定限界を、堅牢なプラグイン意思決定方針に翻訳する。
第3に,既存のリスクアセスメントの予測性能の限界の2倍ロバスト推定器を開発する。
関連論文リスト
- Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。
データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-27T21:46:42Z) - Quantifying Uncertainty in Deep Learning Classification with Noise in
Discrete Inputs for Risk-Based Decision Making [1.529943343419486]
本稿では,Deep Neural Network(DNN)モデルの予測不確実性を定量化する数学的枠組みを提案する。
予測の不確実性は、既知の有限離散分布に従う予測器の誤差から生じる。
提案フレームワークは,予測器の離散誤差が存在する場合のアプリケーションにおけるリスクベースの意思決定を支援する。
論文 参考訳(メタデータ) (2023-10-09T19:26:24Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Explainability's Gain is Optimality's Loss? -- How Explanations Bias
Decision-making [0.0]
説明は、アルゴリズムと人間の意思決定者とのコミュニケーションを促進するのに役立つ。
因果モデルに関する特徴に基づく説明のセマンティクスは、意思決定者の以前の信念から漏れを引き起こす。
このような違いは、準最適かつ偏った決定結果をもたらす可能性がある。
論文 参考訳(メタデータ) (2022-06-17T11:43:42Z) - On the Fairness of Machine-Assisted Human Decisions [3.4069627091757178]
偏りのある人間の意思決定者を含めることで、アルゴリズムの構造と結果の判断の質との間の共通関係を逆転させることができることを示す。
実験室実験では,性別別情報による予測が,意思決定における平均的な性別格差を減少させることを示す。
論文 参考訳(メタデータ) (2021-10-28T17:24:45Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳(メタデータ) (2021-10-13T01:23:48Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Fast, Optimal, and Targeted Predictions using Parametrized Decision
Analysis [0.0]
我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。
全国健康栄養検査調査の身体活動データに対する予測が作成されている。
論文 参考訳(メタデータ) (2020-06-23T15:55:47Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳(メタデータ) (2020-01-14T12:56:29Z)
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。