論文の概要: Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics

• arxiv url: http://arxiv.org/abs/2304.01316v1
• Date: Mon, 3 Apr 2023 19:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 16:36:51.079370
• Title: Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics
• Title（参考訳）: matched machine learning: 学習メトリクスを用いた治療効果推論の一般化フレームワーク
• Authors: Marco Morucci, Cynthia Rudin, Alexander Volfovsky
• Abstract要約: 我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。 我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
• 参考スコア（独自算出の注目度）: 87.05961347040237
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce Matched Machine Learning, a framework that combines the flexibility of machine learning black boxes with the interpretability of matching, a longstanding tool in observational causal inference. Interpretability is paramount in many high-stakes application of causal inference. Current tools for nonparametric estimation of both average and individualized treatment effects are black-boxes that do not allow for human auditing of estimates. Our framework uses machine learning to learn an optimal metric for matching units and estimating outcomes, thus achieving the performance of machine learning black-boxes, while being interpretable. Our general framework encompasses several published works as special cases. We provide asymptotic inference theory for our proposed framework, enabling users to construct approximate confidence intervals around estimates of both individualized and average treatment effects. We show empirically that instances of Matched Machine Learning perform on par with black-box machine learning methods and better than existing matching methods for similar problems. Finally, in our application we show how Matched Machine Learning can be used to perform causal inference even when covariate data are highly complex: we study an image dataset, and produce high quality matches and estimates of treatment effects.
• Abstract（参考訳）: 本稿では,機械学習ブラックボックスの柔軟性と,観測因果推論における長年のツールであるマッチングの解釈可能性を組み合わせたフレームワークであるmatched machine learningを紹介する。 因果推論の多くの高リスク応用において、解釈可能性が最も重要である。 平均的および個別化された治療効果の非パラメトリック推定のための現在のツールは、人間の見積もりの監査を許さないブラックボックスである。 我々のフレームワークは、機械学習を使用して、ユニットのマッチングと結果の推定に最適なメトリクスを学習し、解釈可能でありながら機械学習ブラックボックスのパフォーマンスを達成する。 我々の一般的なフレームワークは、いくつかの出版作品を特別なケースとして包含している。 提案するフレームワークの漸近的推論理論により,個々の治療効果と平均治療効果の両面から近似した信頼区間を構築できる。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを示す。 最後に、我々のアプリケーションでは、共変量データが非常に複雑である場合でも、どのようにマッチング機械学習を用いて因果推論を行うかを示す。

関連論文リスト

• Machine Unlearning for Causal Inference [0.6621714555125157]
  モデルが与えられたユーザに関する情報(マシンアンラーニング)の学習/取得の一部を忘れることが重要である。 本稿では、因果推論のための機械学習の概念、特に確率スコアマッチングと治療効果推定について紹介する。 この研究で使用されるデータセットは、ジョブトレーニングプログラムの有効性を評価するために広く使用されているデータセットであるLalondeデータセットである。
  論文  参考訳（メタデータ） (2023-08-24T17:27:01Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Actionable Interpretation of Machine Learning Models for Sequential Data: Dementia-related Agitation Use Case [0.0]
  アクション可能な解釈は、ほとんどの伝統的なブラックボックス機械学習モデルで実装できる。 既にトレーニング済みのモデル、トレーニングデータ、データ処理技術を使って実行可能なアイテムを抽出する。 また, 家庭内光レベル低下など, 扇動現象を誘発する動作可能な項目を抽出できることが示唆された。
  論文  参考訳（メタデータ） (2020-09-10T19:04:12Z)
• Modeling Generalization in Machine Learning: A Methodological and Computational Study [0.8057006406834467]
  我々は、機械学習の一般化を評価する際に、トレーニングデータの凸殻の概念を用いる。 機械学習モデルの一般化能力と次元に関するすべての指標との予期せぬ弱い関係を観察する。
  論文  参考訳（メタデータ） (2020-06-28T19:06:16Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Fisher-Schultz Lecture: Generic Machine Learning Inference on Heterogenous Treatment Effects in Randomized Experiments, with an Application to Immunization in India [3.3449509626538543]
  ランダム化実験における異種効果の重要な特徴を推定し,推定する手法を提案する。 主な特徴は、機械学習プロキシを使用した効果の最良の線形予測器、インパクトグループによってソートされた平均効果、および最も最も最も影響の少ないユニットの平均特性である。
  論文  参考訳（メタデータ） (2017-12-13T14:47:57Z)

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。