論文の概要: Operationalizing Counterfactual Metrics: Incentives, Ranking, and Information Asymmetry

• arxiv url: http://arxiv.org/abs/2305.14595v2
• Date: Wed, 29 Nov 2023 20:56:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 20:32:57.077088
• Title: Operationalizing Counterfactual Metrics: Incentives, Ranking, and Information Asymmetry
• Title（参考訳）: 実測値の操作:インセンティブ、ランク付け、情報非対称性
• Authors: Serena Wang, Stephen Bates, P. M. Aronow, Michael I. Jordan
• Abstract要約: このような平均的な治療結果の指標から生じるインセンティブのずれを分析した。 本稿では,患者が対象とするランキングシステムにおいて,対物メトリクスを合理的に振る舞うように修正する方法を示す。
• 参考スコア（独自算出の注目度）: 62.53919624802853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From the social sciences to machine learning, it has been well documented that metrics to be optimized are not always aligned with social welfare. In healthcare, Dranove et al. (2003) showed that publishing surgery mortality metrics actually harmed the welfare of sicker patients by increasing provider selection behavior. We analyze the incentive misalignments that arise from such average treated outcome metrics, and show that the incentives driving treatment decisions would align with maximizing total patient welfare if the metrics (i) accounted for counterfactual untreated outcomes and (ii) considered total welfare instead of averaging over treated patients. Operationalizing this, we show how counterfactual metrics can be modified to behave reasonably in patient-facing ranking systems. Extending to realistic settings when providers observe more about patients than the regulatory agencies do, we bound the decay in performance by the degree of information asymmetry between principal and agent. In doing so, our model connects principal-agent information asymmetry with unobserved heterogeneity in causal inference.
• Abstract（参考訳）: 社会科学から機械学習まで、最適化されるべきメトリクスが必ずしも社会福祉と一致しているとは限らないことは十分に文書化されている。 Dranove et al. (2003) は、手術死亡率の公表は、提供者選択行動の増大によって病気患者の福祉を実際に損なうことを示した。 このような平均的な治療成績指標から生じるインセンティブの誤用を分析し,治療決定を駆動するインセンティブが患者の福祉の最大化に合致することを示す。 (i)不当な不当な結果の責任を負うこと、及び (II) 治療患者の平均値よりも全福祉を考慮した。 これを運用し, 患者指向のランキングシステムにおいて, 反事実的指標を合理的に振る舞うように修正する方法を示す。 プロバイダが規制機関よりも患者についてより多く観察する場合、私たちはプリンシパルとエージェント間の情報非対称性の度合いによってパフォーマンスの低下を制限した。 そこで本モデルでは,主エージェント情報非対称性と因果推論の不均一性を関連付ける。

関連論文リスト

• PRISM: Leveraging Prototype Patient Representations with Feature-Missing-Aware Calibration for EHR Data Sparsity Mitigation [7.075420686441701]
  PRISMは、類似した患者のプロトタイプ表現を活用することで、データを間接的にインプットするフレームワークである。 PRISMには、ステータスの欠如を考慮した各機能の信頼性を評価する機能信頼モジュールも含まれている。
  論文  参考訳（メタデータ） (2023-09-08T07:01:38Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Policy Learning with Asymmetric Counterfactual Utilities [0.6138671548064356]
  非対称対実効関数を用いた最適政策学習について検討する。 最大電力損失を最小にすることで、最小限の決定ルールを導出する。 中間分類問題を解くことにより、観測データから最小損失決定ルールを学習できることが示される。
  論文  参考訳（メタデータ） (2022-06-21T15:44:49Z)
• Re-Examining System-Level Correlations of Automatic Summarization Evaluation Metrics [64.81682222169113]
  システムレベルの相関により, 要約品質の人的判断を再現する自動要約評価指標を確実に定量化する。 システムレベルの相関の定義が、実際にシステムを評価するためにメトリクスがどのように使われているかと矛盾する2つの方法を特定する。
  論文  参考訳（メタデータ） (2022-04-21T15:52:14Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• MCU-Net: A framework towards uncertainty representations for decision support system patient referrals in healthcare contexts [0.0]
  MCU-Netを用いた医用画像セグメンテーションのための不確実性表現の枠組みを提案する。 このフレームワークは、不確実なケースの自動紹介のための不確実なしきい値に基づいた、ループ内のヒューマンアスペクトを追加することで、これを強化する。
  論文  参考訳（メタデータ） (2020-07-08T09:54:56Z)
• Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels [10.985001960872264]
  本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。 その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
  論文  参考訳（メタデータ） (2020-06-24T02:15:15Z)
• Tangled up in BLEU: Reevaluating the Evaluation of Automatic Machine Translation Evaluation Metrics [64.88815792555451]
  評価法は, 評価に用いる翻訳に非常に敏感であることを示す。 本研究では,人的判断に対する自動評価基準の下で,性能改善をしきい値にする方法を開発した。
  論文  参考訳（メタデータ） (2020-06-11T09:12:53Z)
• Robust Policies For Proactive ICU Transfers [3.9286045166400685]
  集中治療室(ICU)への移動が計画されていない患者は、ICUに直接入院した患者よりも死亡率が高い傾向にある。 患者劣化を予測する機械学習の最近の進歩は、病棟からICUへのEmphproactive transferの可能性をもたらした。 本研究では,患者全体のケア改善を最適化する際のデータ制限による統計的推定の不確実性を考慮したインプロバスト患者移動政策の課題について検討する。
  論文  参考訳（メタデータ） (2020-02-14T21:07:15Z)

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。