論文の概要: Data-Driven Estimation of Heterogeneous Treatment Effects
- arxiv url: http://arxiv.org/abs/2301.06615v2
- Date: Thu, 17 Oct 2024 17:40:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:16:49.002305
- Title: Data-Driven Estimation of Heterogeneous Treatment Effects
- Title(参考訳): 不均一処理効果のデータ駆動推定
- Authors: Christopher Tran, Keith Burghardt, Kristina Lerman, Elena Zheleva,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.140272661540655
- License:
- Abstract: Estimating how a treatment affects different individuals, known as heterogeneous treatment effect estimation, is an important problem in empirical sciences. In the last few years, there has been a considerable interest in adapting machine learning algorithms to the problem of estimating heterogeneous effects from observational and experimental data. However, these algorithms often make strong assumptions about the observed features in the data and ignore the structure of the underlying causal model, which can lead to biased estimation. At the same time, the underlying causal mechanism is rarely known in real-world datasets, making it hard to take it into consideration. In this work, we provide a survey of state-of-the-art data-driven methods for heterogeneous treatment effect estimation using machine learning, broadly categorizing them as methods that focus on counterfactual prediction and methods that directly estimate the causal effect. We also provide an overview of a third category of methods which rely on structural causal models and learn the model structure from data. Our empirical evaluation under various underlying structural model mechanisms shows the advantages and deficiencies of existing estimators and of the metrics for measuring their performance.
- Abstract(参考訳): 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。
ここ数年、観測データや実験データから異種効果を推定する問題に機械学習アルゴリズムを適用することに、かなりの関心が寄せられている。
しかし、これらのアルゴリズムは、観測されたデータの特徴について強い仮定をし、基礎となる因果モデルの構造を無視するので、偏りが生じる可能性がある。
同時に、根底にある因果関係は現実世界のデータセットではほとんど知られておらず、考慮しにくい。
本研究では,機械学習を用いた異種処理効果推定のための最先端データ駆動手法の調査を行い,その因果的効果を直接推定する手法や手法に焦点をあてた手法として広く分類する。
また、構造因果モデルに依存し、データからモデル構造を学習する手法の第3のカテゴリについても概説する。
種々の構造モデル機構に基づく実証評価は,既存の推定器の利点と欠点と,その性能を測定するための指標を示す。
関連論文リスト
- Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳(メタデータ) (2024-11-21T10:37:57Z) - Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳(メタデータ) (2024-11-01T18:00:51Z) - An evaluation framework for comparing causal inference models [3.1372269816123994]
提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。
このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
論文 参考訳(メタデータ) (2022-08-31T21:04:20Z) - Improving Data-driven Heterogeneous Treatment Effect Estimation Under
Structure Uncertainty [13.452510519858995]
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。
論文 参考訳(メタデータ) (2022-06-25T16:26:35Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Estimating Individual Treatment Effects using Non-Parametric Regression
Models: a Review [0.0]
本稿では、観測データや非完全ランダム化データを用いて因果推論を行う際の設定と課題を紹介する。
我々は、個々の治療効果を推定できる既存の最先端フレームワークの統一分類法を開発する。
本研究は,学校給食プログラムデータの実証分析に,いくつかの方法を用いることで,結論を導いた。
論文 参考訳(メタデータ) (2020-09-14T14:26:55Z)
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。