論文の概要: On the Actionability of Outcome Prediction

• arxiv url: http://arxiv.org/abs/2309.04470v1
• Date: Fri, 8 Sep 2023 17:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 12:46:14.037275
• Title: On the Actionability of Outcome Prediction
• Title（参考訳）: 結果予測の動作可能性について
• Authors: Lydia T. Liu, Solon Barocas, Jon Kleinberg, Karen Levy
• Abstract要約: 実践者は、最終的な目標は単に予測するのではなく、効果的に行動することだと認識します。 正確な結果の予測は、いつ最も適切な介入を特定するのに役立つのでしょうか? 結果を改善するための単一の決定的な行動がある場合を除き、結果予測は「行動価値」を最大化しない。
• 参考スコア（独自算出の注目度）: 8.32379926107182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future outcomes is a prevalent application of machine learning in social impact domains. Examples range from predicting student success in education to predicting disease risk in healthcare. Practitioners recognize that the ultimate goal is not just to predict but to act effectively. Increasing evidence suggests that relying on outcome predictions for downstream interventions may not have desired results. In most domains there exists a multitude of possible interventions for each individual, making the challenge of taking effective action more acute. Even when causal mechanisms connecting the individual's latent states to outcomes is well understood, in any given instance (a specific student or patient), practitioners still need to infer -- from budgeted measurements of latent states -- which of many possible interventions will be most effective for this individual. With this in mind, we ask: when are accurate predictors of outcomes helpful for identifying the most suitable intervention? Through a simple model encompassing actions, latent states, and measurements, we demonstrate that pure outcome prediction rarely results in the most effective policy for taking actions, even when combined with other measurements. We find that except in cases where there is a single decisive action for improving the outcome, outcome prediction never maximizes "action value", the utility of taking actions. Making measurements of actionable latent states, where specific actions lead to desired outcomes, considerably enhances the action value compared to outcome prediction, and the degree of improvement depends on action costs and the outcome model. This analysis emphasizes the need to go beyond generic outcome prediction in interventional settings by incorporating knowledge of plausible actions and latent states.
• Abstract（参考訳）: 将来の成果を予測することは、社会的影響領域における機械学習の一般的な応用である。 例としては、教育における学生の成功の予測から、医療における病気のリスクの予測がある。 実践者は、究極の目標は予測だけでなく効果的に行動することだと認識している。 証拠の増加は、下流の介入に対する結果予測に依存するには望ましい結果が得られないことを示唆している。 ほとんどのドメインでは、個々の個人に対して多数の介入が可能であり、効果的な行動を取ることの難しさが高まる。 個々の潜在状態と成果をつなぐ因果メカニズムが十分に理解されている場合でも、特定の例(特定の学生や患者)では、その個人にとって最も効果的である可能性のある多くの介入のうちの1つを、予算化された潜在状態の測定から推測する必要がある。 正確な結果の予測は、いつ最も適切な介入を特定するのに役立つのでしょうか? 行動や潜在状態、測定を包含する単純なモデルを通じて、純粋な結果予測が、他の測定と組み合わせた場合でも、行動を取るための最も効果的な方針をもたらすことは滅多にないことを示す。 結果を改善するための単一の決定的な行動がある場合を除き、結果予測は、行動を取ることの効用である「行動価値」を決して最大化しない。 特定の行動が望ましい結果につながる実行可能な潜伏状態の測定を行うことは、結果予測よりも行動価値を大幅に向上させ、改善の度合いは行動コストと結果モデルに依存する。 この分析は、妥当な行動や潜在状態の知識を取り入れることで、介入的設定における一般的な結果予測を超える必要性を強調している。

関連論文リスト

• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Inferring Effect Ordering Without Causal Effect Estimation [1.6114012813668932]
  予測モデルは、広告、顧客の保持、パーソナライズドメディカルな医療など、様々な分野の介入をガイドするためにしばしば使用される。 本稿は,これらの予測モデルがどのように因果的に解釈できるのか,という問題に対処する。 直接因果効果を推定することなく, 直接因果効果を推定するのに十分な2つの仮定, 完全な潜時媒介と潜時単調性を定式化する。
  論文  参考訳（メタデータ） (2022-06-25T02:15:22Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• 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)
• Regret Minimization for Causal Inference on Large Treatment Space [21.957539112375496]
  本稿では,偏りのある観測データから偏りのある表現を抽出するネットワークアーキテクチャと正規化器を提案する。 提案した損失は、アクションが個々のターゲットに対して比較的良いかどうかの分類誤差を最小限に抑える。
  論文  参考訳（メタデータ） (2020-06-10T02:19:48Z)

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。