論文の概要: The impact of heteroskedasticity on uplift modeling

• arxiv url: http://arxiv.org/abs/2312.05234v1
• Date: Fri, 8 Dec 2023 18:32:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 14:13:15.360357
• Title: The impact of heteroskedasticity on uplift modeling
• Title（参考訳）: 揚力モデリングにおけるヘテロスケダスト性の影響
• Authors: Bj\"orn Bokelmann and Stefan Lessmann
• Abstract要約: トレーニングデータのヘテロスケプタスティック性は、アップリフトモデルランキングのバイアスを引き起こす可能性があることを示す。 ヘテロスケダスティック性によるランキングバイアスというこの問題は、現実世界の多くのアプリケーションで起こりうると論じる。
• 参考スコア（独自算出の注目度）: 4.541582055558865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are various applications, where companies need to decide to which individuals they should best allocate treatment. To support such decisions, uplift models are applied to predict treatment effects on an individual level. Based on the predicted treatment effects, individuals can be ranked and treatment allocation can be prioritized according to this ranking. An implicit assumption, which has not been doubted in the previous uplift modeling literature, is that this treatment prioritization approach tends to bring individuals with high treatment effects to the top and individuals with low treatment effects to the bottom of the ranking. In our research, we show that heteroskedastictity in the training data can cause a bias of the uplift model ranking: individuals with the highest treatment effects can get accumulated in large numbers at the bottom of the ranking. We explain theoretically how heteroskedasticity can bias the ranking of uplift models and show this process in a simulation and on real-world data. We argue that this problem of ranking bias due to heteroskedasticity might occur in many real-world applications and requires modification of the treatment prioritization to achieve an efficient treatment allocation.
• Abstract（参考訳）: さまざまなアプリケーションがあり、企業はどの個人に治療を割り当てるべきかを判断する必要がある。 このような意思決定を支援するために、個々のレベルの治療効果を予測するために昇降モデルを適用する。 予測された治療効果に基づいて、個人をランク付けし、このランキングに従って治療割り当てを優先することができる。 以前のアップリフトモデリング文献では疑わしくなかった暗黙の仮定は、この治療優先化アプローチは、上位に高い治療効果を持つ個人、下位に低い治療効果を持つ個人をもたらす傾向にあるということである。 本研究は,トレーニングデータのヘテロセクタスティック性が上昇モデルランキングのバイアスを生じさせる可能性があることを示し,最も治療効果の高い個人はランキングの下部に大量に蓄積できることを示した。 ヘテロスケダスティック性は, 昇降モデルのランク付けに偏りがあり, シミュレーションや実世界のデータにこの過程を示すことができる。 ヘテロスパイク性によるランキングバイアスの問題は多くの実世界のアプリケーションで発生しうるし、効率的な治療割り当てを達成するためには治療優先順位の変更が必要であると論じている。

関連論文リスト

• Improving uplift model evaluation on RCT data [6.624726878647541]
  本研究では, ランダム化比較試験データを用いて, 上昇評価指標のばらつきを統計的に解析する。 提案手法は,理論上,実証上,上昇評価指標のばらつきを低減できるような結果調整手法を提案する。
  論文  参考訳（メタデータ） (2022-10-05T11:16:01Z)
• DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation [7.060064266376701]
  因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。 本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
  論文  参考訳（メタデータ） (2022-07-19T01:25:31Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Undersmoothing Causal Estimators with Generative Trees [0.0]
  観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。 しかし、観測データからこれらの効果を推測することは困難である。 本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-03-16T11:59:38Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Treatment Targeting by AUUC Maximization with Generalization Guarantees [7.837855832568568]
  個々の治療効果予測に基づいて治療課題を最適化する作業を検討する。 本稿では, 昇降曲線(AUUC)に基づく一般化を提案し, AUUC-max(AUUC-max)と呼ばれる, この境界の導出可能なサロゲートを最適化する新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-17T19:32:35Z)
• Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions [15.443178111068418]
  本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。 プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
  論文  参考訳（メタデータ） (2020-11-11T16:17:29Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)

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。