論文の概要: Optimal Transport for Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2310.18286v1
• Date: Fri, 27 Oct 2023 17:22:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 12:40:26.676098
• Title: Optimal Transport for Treatment Effect Estimation
• Title（参考訳）: 治療効果推定のための最適輸送
• Authors: Hao Wang, Zhichao Chen, Jiajun Fan, Haoxuan Li, Tianqiao Liu, Weiming Liu, Quanyu Dai, Yichao Wang, Zhenhua Dong, Ruiming Tang
• Abstract要約: 観測データから条件平均処理効果を推定することは, 処理選択バイアスが存在するため, 極めて困難である。 代表的な方法は、潜在空間における異なる処理群の分布を整列させることによってこの問題を軽減することである。 本稿では,因果関係の文脈において最適な輸送手段であるEntire Space CounterFactual Regression (ESCFR)を提案する。
• 参考スコア（独自算出の注目度）: 42.50410909962438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating conditional average treatment effect from observational data is highly challenging due to the existence of treatment selection bias. Prevalent methods mitigate this issue by aligning distributions of different treatment groups in the latent space. However, there are two critical problems that these methods fail to address: (1) mini-batch sampling effects (MSE), which causes misalignment in non-ideal mini-batches with outcome imbalance and outliers; (2) unobserved confounder effects (UCE), which results in inaccurate discrepancy calculation due to the neglect of unobserved confounders. To tackle these problems, we propose a principled approach named Entire Space CounterFactual Regression (ESCFR), which is a new take on optimal transport in the context of causality. Specifically, based on the framework of stochastic optimal transport, we propose a relaxed mass-preserving regularizer to address the MSE issue and design a proximal factual outcome regularizer to handle the UCE issue. Extensive experiments demonstrate that our proposed ESCFR can successfully tackle the treatment selection bias and achieve significantly better performance than state-of-the-art methods.
• Abstract（参考訳）: 観察データから平均治療効果を推定することは,治療選択バイアスの存在から非常に困難である。 一般的な方法は、潜伏空間における異なる治療群の分布を整合させることでこの問題を軽減する。 しかし,本手法では,(1)非理想的ミニバッチにおいて,結果の不均衡や不整合を伴う不整合を引き起こすミニバッチサンプリング効果(MSE),(2)未観測の共同創業者の無視による不整合性計算(UCE)の2つの重要な問題に対処できない。 これらの問題に対処するため,本研究では,因果関係の文脈において最適な輸送手段であるEntire Space CounterFactual Regression (ESCFR)を提案する。 具体的には, 確率的最適輸送の枠組みに基づいて, MSE問題に対処し, UCE問題に対処するための近位実結果正規化器の設計を行う。 拡張実験により,提案したESCFRは治療選択バイアスに対処し,最先端手法よりも優れた性能が得られることが示された。

関連論文リスト

• Proximity Matters: Local Proximity Preserved Balancing for Treatment Effect Estimation [25.941696352770272]
  観察データからの不均一な処理効果 (HTE) を推定することは, 治療選択バイアスによる重要な課題である。 既存の手法では、グローバルアライメントに焦点をあて、潜在空間における治療群間の分布の差異を最小化することで、このバイアスに対処している。 本稿では,HTE推定コンテキスト内での表現バランスに近接性を利用するために,PCR(Proximity-aware Counterfactual Regression)を提案する。
  論文  参考訳（メタデータ） (2024-07-01T09:20:26Z)
• Adversarially Balanced Representation for Continuous Treatment Effect Estimation [6.469020202994118]
  本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
  論文  参考訳（メタデータ） (2023-12-17T00:46:16Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster Randomized Trials [0.0]
  クラスタランダム化トライアル(CRT)は、ランダムに個人グループへの介入を割り当て、それらのグループ内の個人に対する結果を測定する。 クラスタ内の一部の個人には発見が欠落することが多い。 CRTは、しばしば限られた数のクラスターをランダムにし、その結果、腕間のベースライン結果予測器に不均衡をもたらす。
  論文  参考訳（メタデータ） (2021-06-29T21:47:30Z)
• 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)
• Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation [21.285425135761795]
  個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。 本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。 本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
  論文  参考訳（メタデータ） (2020-05-11T13:32:38Z)

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。