論文の概要: Meta-learning for heterogeneous treatment effect estimation with closed-form solvers

• arxiv url: http://arxiv.org/abs/2305.11353v1
• Date: Fri, 19 May 2023 00:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 16:49:54.104271
• Title: Meta-learning for heterogeneous treatment effect estimation with closed-form solvers
• Title（参考訳）: 閉形式解法を用いた不均一処理効果推定のためのメタラーニング
• Authors: Tomoharu Iwata, Yoichi Chikahara
• Abstract要約: 本稿では,いくつかの観測データから条件平均処理効果(CATE)を推定するメタラーニング手法を提案する。 提案手法は,複数のタスクからCATEを推定する方法を学習し,未知のタスクの知識を利用する。
• 参考スコア（独自算出の注目度）: 30.343569752920754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article proposes a meta-learning method for estimating the conditional average treatment effect (CATE) from a few observational data. The proposed method learns how to estimate CATEs from multiple tasks and uses the knowledge for unseen tasks. In the proposed method, based on the meta-learner framework, we decompose the CATE estimation problem into sub-problems. For each sub-problem, we formulate our estimation models using neural networks with task-shared and task-specific parameters. With our formulation, we can obtain optimal task-specific parameters in a closed form that are differentiable with respect to task-shared parameters, making it possible to perform effective meta-learning. The task-shared parameters are trained such that the expected CATE estimation performance in few-shot settings is improved by minimizing the difference between a CATE estimated with a large amount of data and one estimated with just a few data. Our experimental results demonstrate that our method outperforms the existing meta-learning approaches and CATE estimation methods.
• Abstract（参考訳）: 本稿では,いくつかの観測データから条件平均処理効果(CATE)を推定するメタラーニング手法を提案する。 提案手法は,複数のタスクからCATEを推定する方法を学習し,未知のタスクの知識を利用する。 提案手法では,meta-learnerフレームワークに基づいてcate推定問題を部分問題に分解する。 各サブプロブレムに対して,タスク共有パラメータとタスク固有パラメータを持つニューラルネットワークを用いて推定モデルを定式化する。 定式化により、タスク共有パラメータに対して異なるクローズドな形で最適なタスク固有パラメータを得ることができるため、効果的なメタ学習が可能となる。 タスク共有パラメータは、大量のデータで推定されたCATEと少数のデータで推定されたCATEとの差を最小化することにより、数ショット設定で期待されるCATE推定性能を改善するように訓練される。 実験の結果,提案手法は既存のメタラーニング手法やCATE推定手法よりも優れていることが示された。

関連論文リスト

• Estimating Conditional Average Treatment Effects via Sufficient Representation Learning [31.822980052107496]
  本稿では,その特徴を十分に表現するためにtextbfCrossNet という新しいニューラルネットワークアプローチを提案し,条件平均処理効果(CATE)を推定する。 数値シミュレーションと実験により,本手法が競合手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-30T07:23:59Z)
• Robust CATE Estimation Using Novel Ensemble Methods [0.8246494848934447]
  臨床治験における条件平均治療効果(CATE)の評価は治療効果の不均一性の理解に不可欠である。 本研究は,多種多様なシナリオにまたがって,因果林や多種多様なメタラーナーなどの共通手法の性能を評価する。 予測安定性と性能を向上させるために,複数の推定器を統合する2つの新しいアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T07:23:02Z)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Estimation of conditional average treatment effects on distributed confidential data [6.798254568821052]
  条件平均処理効果(CATE)は、複数のパーティに分散したデータが集中できる場合、高精度に推定できる。 機密やプライバシー上の懸念から、このようなデータを集約することは困難である。 我々は、分散データから構築されたプライバシー保護融合データからCATEモデルを推定する手法である二重機械学習(Double Machine Learning)を提案する。
  論文  参考訳（メタデータ） (2024-02-05T02:17:21Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• 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)
• Task Difficulty Aware Parameter Allocation & Regularization for Lifelong Learning [20.177260510548535]
  本稿では,その学習困難度に基づいてパラメータ割り当てと正規化から各タスクに適した戦略を適応的に選択するAllocation & Regularization (PAR)を提案する。 提案手法はスケーラビリティが高く,モデルの冗長性を著しく低減し,モデルの性能を向上する。
  論文  参考訳（メタデータ） (2023-04-11T15:38:21Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Probabilistic task modelling for meta-learning [44.072592379328036]
  本稿ではメタラーニングに使用されるタスクの集合に対する生成確率モデルを提案する。 提案モデルは変分オートエンコーディングと潜時ディリクレアロケーションを組み合わせて,各タスクを埋め込み空間におけるガウス分布の混合としてモデル化する。
  論文  参考訳（メタデータ） (2021-06-09T04:34:12Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。