論文の概要: Should I Stop or Should I Go: Early Stopping with Heterogeneous Populations

• arxiv url: http://arxiv.org/abs/2306.11839v1
• Date: Tue, 20 Jun 2023 18:47:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 16:06:12.176435
• Title: Should I Stop or Should I Go: Early Stopping with Heterogeneous Populations
• Title（参考訳）: 止まるべきか、行くべきか:不均一な人口で早期に止まる
• Authors: Hammaad Adam, Fan Yin, Mary Hu, Neil Tenenholtz, Lorin Crawford, Lester Mackey, Allison Koenecke
• Abstract要約: 実験の早期停止を決定する既存の方法は通常、集計データに適用され、治療効果を考慮しない。 我々はまず、治療が少数の参加者に害を与える場合、現在の方法が実験を中止できないことがしばしばあることを確かめる。 次に、因果機械学習を用いて、異種早期停止のための初めて広く適用可能な方法であるCLASHを開発する。
• 参考スコア（独自算出の注目度）: 14.629281862009705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Randomized experiments often need to be stopped prematurely due to the treatment having an unintended harmful effect. Existing methods that determine when to stop an experiment early are typically applied to the data in aggregate and do not account for treatment effect heterogeneity. In this paper, we study the early stopping of experiments for harm on heterogeneous populations. We first establish that current methods often fail to stop experiments when the treatment harms a minority group of participants. We then use causal machine learning to develop CLASH, the first broadly-applicable method for heterogeneous early stopping. We demonstrate CLASH's performance on simulated and real data and show that it yields effective early stopping for both clinical trials and A/B tests.
• Abstract（参考訳）: ランダム化された実験は、意図しない有害な効果を持つ治療のため、しばしば早期に停止する必要がある。 実験の早期停止を決定する既存の方法は通常、集計データに適用され、治療効果の不均一性を考慮しない。 本稿では,不均質個体群に対する害実験の早期停止について検討する。 まず,治療が参加者の少数派グループを傷つける場合,現在の方法が実験を停止しないことが多いことを確かめる。 次に、因果機械学習を用いて、異種早期停止のための初めて広く適用可能な方法であるCLASHを開発する。 シミュレーションおよび実データ上でのCLASHの性能を実証し,臨床治験およびA/B試験の早期停止に有効であることを示す。

関連論文リスト

• Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
  我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。 このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2024-05-28T14:12:25Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
  実験と観測を組み合わせた二重機械学習手法を提案する。 我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• A Reinforcement Learning Approach to Estimating Long-term Treatment Effects [13.371851720834918]
  ランダム化実験による制限は、長期効果を測定するために容易に拡張できないことである。 マルコフ過程における平均報酬を推定する強化学習(RL)アプローチを採用する。 観測された状態遷移が非定常である実世界のシナリオに動機付けられ、非定常問題のクラスのための新しいアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-10-14T05:33:19Z)
• What's the Harm? Sharp Bounds on the Fraction Negatively Affected by Treatment [58.442274475425144]
  我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。 シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
  論文  参考訳（メタデータ） (2022-05-20T17:36:33Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• 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)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Estimating Treatment Effects using Multiple Surrogates: The Role of the Surrogate Score and the Surrogate Index [4.154846138501937]
  治療の長期的な効果を見積もるのは、多くの分野において興味深いことである。 一つのアプローチは、しばしば統計代理と呼ばれる中間結果に対する治療効果を分析することである。
  論文  参考訳（メタデータ） (2016-03-30T19:45:52Z)

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。