論文の概要: Combining T-learning and DR-learning: a framework for oracle-efficient
estimation of causal contrasts
- arxiv url: http://arxiv.org/abs/2402.01972v1
- Date: Sat, 3 Feb 2024 00:47:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 23:00:42.662528
- Title: Combining T-learning and DR-learning: a framework for oracle-efficient
estimation of causal contrasts
- Title（参考訳）: t-learningとdr-learningを組み合わせる:oracleによる因果コントラストの効率的な推定のためのフレームワーク
- Authors: Lars van der Laan, Marco Carone, Alex Luedtke
- Abstract要約: 異種因果コントラスト推定のための新しいフレームワークである効率的なプラグイン学習(EP)を導入する。
条件付き平均治療と条件付き相対リスクのEP学習者は、最先端の競争相手よりも優れている。
- 参考スコア（独自算出の注目度）: 1.0896141997814233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce efficient plug-in (EP) learning, a novel framework for the
estimation of heterogeneous causal contrasts, such as the conditional average
treatment effect and conditional relative risk. The EP-learning framework
enjoys the same oracle-efficiency as Neyman-orthogonal learning strategies,
such as DR-learning and R-learning, while addressing some of their primary
drawbacks, including that (i) their practical applicability can be hindered by
loss function non-convexity; and (ii) they may suffer from poor performance and
instability due to inverse probability weighting and pseudo-outcomes that
violate bounds. To avoid these drawbacks, EP-learner constructs an efficient
plug-in estimator of the population risk function for the causal contrast,
thereby inheriting the stability and robustness properties of plug-in
estimation strategies like T-learning. Under reasonable conditions, EP-learners
based on empirical risk minimization are oracle-efficient, exhibiting
asymptotic equivalence to the minimizer of an oracle-efficient one-step
debiased estimator of the population risk function. In simulation experiments,
we illustrate that EP-learners of the conditional average treatment effect and
conditional relative risk outperform state-of-the-art competitors, including
T-learner, R-learner, and DR-learner. Open-source implementations of the
proposed methods are available in our R package hte3.
- Abstract（参考訳）: 条件付き平均処理効果や条件付き相対リスクなどの異種因果コントラストを推定するための新しいフレームワークである,効率的なプラグイン学習(EP)を導入する。
ep-learning フレームワークは dr-learning や r-learning といった neyman-orthogonal learning 戦略と同じ oracle-efficiency を享受しています。
一 損失関数の非凸性によりその実用性が妨げられること。
(II) 逆確率重み付けや境界に反する擬似アウトカムにより, 性能や不安定性に悩まされることがある。
これらの欠点を回避するため、EP-learnerは、因果コントラストに対する集団リスク関数の効率的なプラグイン推定器を構築し、Tラーニングのようなプラグイン推定戦略の安定性と堅牢性を継承する。
妥当な条件下では、経験的リスク最小化に基づくEPラーナーはオラクル効率が高く、オラクル効率の低い1段階の集団リスク関数推定器の最小化に漸近的に等価である。
シミュレーション実験では,条件付き平均治療効果と条件付き相対リスクのep-learnerが,t-learner,r-learner,dr-learnerなど,最先端の競争相手よりも優れていることを示す。
提案手法のオープンソース実装は、Rパッケージhte3で利用可能である。
関連論文リスト
- C-Learner: Constrained Learning for Causal Inference and Semiparametric Statistics [5.395560682099634]
そこで本研究では,安定なプラグイン推定を望ましい特性で実現する新しいデバイアス推定器を提案する。
我々の制約学習フレームワークは、プラグイン量に対する一階誤差がゼロであるという制約の下で、最高のプラグイン推定器を解く。
我々の推定器は、処理と制御の重複が限定された挑戦的な環境での一段階推定と目標を上回り、それ以外は比較可能である。
論文 参考訳（メタデータ） (2024-05-15T16:38:28Z) - Longitudinal Targeted Minimum Loss-based Estimation with Temporal-Difference Heterogeneous Transformer [7.451436112917229]
縦断的問題設定における動的処理ポリシーの下で, 結果の反実的平均を推定する新しい手法を提案する。
本手法では,時間差学習を用いて学習した異種型埋め込みを用いたトランスフォーマーアーキテクチャを用いる。
また, 統計的理論に基づく95%信頼区間の設定を可能とし, 統計的推測を容易にする。
論文 参考訳（メタデータ） (2024-04-05T20:56:15Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳（メタデータ） (2023-01-26T02:56:36Z) - 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) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。