Fugu-MT 論文翻訳(概要): Causal Machine Learning for Cost-Effective Allocation of Development Aid

論文の概要: Causal Machine Learning for Cost-Effective Allocation of Development Aid

arxiv url: http://arxiv.org/abs/2401.16986v3
Date: Sat, 15 Jun 2024 11:47:00 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 06:45:07.476692
Title: Causal Machine Learning for Cost-Effective Allocation of Development Aid
Title（参考訳）: コスト効果を考慮した開発支援のための因果機械学習
Authors: Milan Kuzmanovic, Dennis Frauen, Tobias Hatt, Stefan Feuerriegel,
Abstract要約: 本研究では,援助給付金の不均一な処理効果を予測するための因果機械学習フレームワークを開発した。本研究では, 半合成データを用いた不均一な処理応答曲線の計算に成功していることを示す。我々の枠組みは、より効果的なエイズ割り当てのための大きな機会を示し、新しいHIV感染症の総数は最大3.3%減少する可能性があることを示唆している。
参考スコア（独自算出の注目度）: 26.849801157647057
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Sustainable Development Goals (SDGs) of the United Nations provide a blueprint of a better future by 'leaving no one behind', and, to achieve the SDGs by 2030, poor countries require immense volumes of development aid. In this paper, we develop a causal machine learning framework for predicting heterogeneous treatment effects of aid disbursements to inform effective aid allocation. Specifically, our framework comprises three components: (i) a balancing autoencoder that uses representation learning to embed high-dimensional country characteristics while addressing treatment selection bias; (ii) a counterfactual generator to compute counterfactual outcomes for varying aid volumes to address small sample-size settings; and (iii) an inference model that is used to predict heterogeneous treatment-response curves. We demonstrate the effectiveness of our framework using data with official development aid earmarked to end HIV/AIDS in 105 countries, amounting to more than USD 5.2 billion. For this, we first show that our framework successfully computes heterogeneous treatment-response curves using semi-synthetic data. Then, we demonstrate our framework using real-world HIV data. Our framework points to large opportunities for a more effective aid allocation, suggesting that the total number of new HIV infections could be reduced by up to 3.3% (~50,000 cases) compared to the current allocation practice.
Abstract（参考訳）: 国連の持続可能な開発目標(SDG)は「誰もいないままにしておく」ことでより良い未来の青写真を提供し、2030年までにSDGを達成するためには、貧しい国は膨大な開発支援を必要としている。本稿では,援助給付金の不均一な処理効果を予測するための因果機械学習フレームワークを開発した。具体的には、私たちのフレームワークは3つのコンポーネントで構成されています。一処理選択バイアスに対処しつつ、表現学習を用いて高次元国の特徴を埋め込むバランスオートエンコーダ二サンプルサイズの小さな設定に対処するため、各種補助ボリュームの対実結果を算出するための反実生成装置 (iii)不均一な処理応答曲線の予測に使用される推論モデル。我々は,105か国でHIV/AIDSを終了するための公式な開発支援データを用いて,この枠組みの有効性を実証した。そこで本研究では, 半合成データを用いた不均一な処理応答曲線の計算に成功していることを示す。そして、実世界のHIVデータを用いて、我々のフレームワークを実演する。我々の枠組みは、より効果的なエイズアロケーションの機会が大きいことを指摘し、現在のアロケーションの実践と比較して、新しいHIV感染症の総数は最大で3.3%(約5万件)減少する可能性があることを示唆している。

関連論文リスト

OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文参考訳（メタデータ） (2024-01-22T20:17:14Z)
Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。 1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文参考訳（メタデータ） (2023-12-01T11:06:00Z)
Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文参考訳（メタデータ） (2023-04-18T18:15:38Z)
Building predictive models of healthcare costs with open healthcare data [0.0]
本稿では,機械学習技術を用いた予測モデル開発手法を提案する。我々は2016年に230万件の患者データを分析した。私たちは、患者の診断と人口統計からコストを予測するモデルを構築しました。
論文参考訳（メタデータ） (2023-04-05T02:12:58Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
Predicting Treatment Adherence of Tuberculosis Patients at Scale [0.6873562466909032]
TB薬物への非依存は死亡と致死性の重大な原因である。我々は、慣用階数に基づく計量に基づいて、非一貫性の早期予測の機械学習問題を定式化し、解決する。以上の結果から,非遺伝性患者のリスク階層化は,大規模に展開可能なMLソリューションとして有効であることが示唆された。
論文参考訳（メタデータ） (2022-11-05T17:00:21Z)
Generating Synthetic Clinical Data that Capture Class Imbalanced Distributions with Generative Adversarial Networks: Example using Antiretroviral Therapy for HIV [2.140861702387444]
従来のGANセットアップを外部メモリで拡張し、実際のサンプルから機能を再生します。より重要なことは, 実際の臨床データに共通する厳密なクラス不均衡分布の把握に有効であることを示す。
論文参考訳（メタデータ） (2022-08-18T06:19:46Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
論文参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。