論文の概要: Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects

• arxiv url: http://arxiv.org/abs/2402.04906v5
• Date: Tue, 20 May 2025 08:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:50.947141
• Title: Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects
• Title（参考訳）: 個別処理効果予測のためのコンフォーマルコンボリューションとモンテカルロメタラーナー
• Authors: Jef Jonkers, Jarne Verhaeghe, Glenn Van Wallendael, Luc Duchateau, Sofie Van Hoecke,
• Abstract要約: 潜在的な結果の完全な予測分布と個別治療効果(ITE)の2つの新しい手法を提案する。 我々のアプローチは、重み付けされた共形予測システムと潜在的な結果分布の分析的畳み込み、あるいはモンテカルロサンプリングを組み合わせる。 潜在的な結果予測分布の生成を可能にする他のアプローチとは対照的に、我々のアプローチはモデル非依存的で普遍的であり、確率的キャリブレーションの有限サンプル保証が伴う。
• 参考スコア（独自算出の注目度）: 2.7320409129940684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating probabilistic forecasts of potential outcomes and individual treatment effects (ITE) is essential for risk-aware decision-making in domains such as healthcare, policy, marketing, and finance. We propose two novel methods: the conformal convolution T-learner (CCT) and the conformal Monte Carlo (CMC) meta-learner, that generate full predictive distributions of both potential outcomes and ITEs. Our approaches combine weighted conformal predictive systems with either analytic convolution of potential outcome distributions or Monte Carlo sampling, addressing covariate shift through propensity score weighting. In contrast to other approaches that allow the generation of potential outcome predictive distributions, our approaches are model agnostic, universal, and come with finite-sample guarantees of probabilistic calibration under knowledge of the propensity score. Regarding estimating the ITE distribution, we formally characterize how assumptions about potential outcomes' noise dependency impact distribution validity and establish universal consistency under independence noise assumptions. Experiments on synthetic and semi-synthetic datasets demonstrate that the proposed methods achieve probabilistically calibrated predictive distributions while maintaining narrow prediction intervals and having performant continuous ranked probability scores. Besides probabilistic forecasting performance, we observe significant efficiency gains for the CCT- and CMC meta-learners compared to other conformal approaches that produce prediction intervals for ITE with coverage guarantees.
• Abstract（参考訳）: 医療、政策、マーケティング、金融といった分野において、潜在的な成果と個別治療効果(ITE)の確率的予測を生成することは、リスクを意識した意思決定に不可欠である。 本稿では,共形畳み込みTラーナー(CCT)と共形モンテカルロメタラーナー(CMC)の2つの新しい手法を提案する。 提案手法は,重み付き共形予測システムと潜在的結果分布の解析的畳み込み,あるいはモンテカルロサンプリングを組み合わせ,相対性スコア重み付けによる共変量シフトに対処する。 潜在的結果予測分布の生成を可能にする他のアプローチとは対照的に、我々のアプローチはモデル非依存的、普遍的であり、確率的キャリブレーションの有限サンプル保証を持つ。 ITE分布の推定に関して、我々は、潜在的な結果のノイズ依存性の仮定が分布の妥当性にどう影響するかを正式に評価し、独立雑音の仮定の下で普遍的な一貫性を確立する。 合成および半合成データセットの実験により,提案手法は予測間隔を狭く保ち,連続的な確率スコアを有するとともに,確率的キャリブレーションされた予測分布を達成することを示した。 確率的予測性能の他に,CCT-およびCMCメタラーナーの効率向上を,カバー保証付きITTの予測間隔を生成する他のコンフォメーションアプローチと比較した。

関連論文リスト

• From predictions to confidence intervals: an empirical study of conformal prediction methods for in-context learning [4.758643223243787]
  本稿では,共形予測に基づく予測区間の構築手法を提案する。 従来のコンフォメーション法はモデルフィッティングの繰り返しによる計算コストが高いが,ICLを利用して1回のフォワードパスで信頼区間を効率よく生成する。 我々の実証分析は、リッジ回帰に基づくコンフォメーション手法に対するこのアプローチと比較し、インコンテキスト学習(CP with ICL)によるコンフォメーション予測が、堅牢でスケーラブルな不確実性推定を実現することを示す。
  論文  参考訳（メタデータ） (2025-04-22T09:11:48Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Deep Evidential Learning for Radiotherapy Dose Prediction [0.0]
  本稿では放射線治療用線量予測分野におけるDeep Evidential Learningと呼ばれる不確実性定量化フレームワークの新たな応用法を提案する。 このモデルは,ネットワークトレーニング完了時の予測誤差と相関関係を持つ不確実性推定に有効に活用できることを見出した。
  論文  参考訳（メタデータ） (2024-04-26T02:43:45Z)
• Conformal Meta-learners for Predictive Inference of Individual Treatment Effects [0.0]
  個別処理効果(ITE)における機械学習(ML)予測の問題点について検討する。 我々は,CATEメタラーナー上に標準共形予測(CP)手法を適用することで,ITTの予測区間を発行する一般的なフレームワークである共形メタラーナーを開発する。
  論文  参考訳（メタデータ） (2023-08-28T20:32:22Z)
• Asymptotically Unbiased Synthetic Control Methods by Density Matching [8.862707047517913]
  シンセティック・コントロール・メソッド(SCM)は、比較ケーススタディの基本的なツールとなっている。 本研究では,既存のSCMにおける重要な内在性問題,すなわち未処理単位の結果と合成制御の誤差項との相関を明らかにする。 本研究では,非処理単位の接合密度の重み付け混合により,処理単位の結果密度を近似できると仮定して,密度マッチングに基づく新しいSCMを提案する。
  論文  参考訳（メタデータ） (2023-07-20T15:52:22Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• 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)
• Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects [2.294014185517203]
  条件平均処理効果(CATE)の推定は、観測データによる因果推論における主な課題の1つである。 メタラーナーと呼ばれる非パラメトリック推定器は、特定の教師付き学習方法に対する推定を抑えない主な利点として、CATEを推定するために開発された。 本稿では,多値処理の異種効果を推定するためのメタラーナーについて検討する。
  論文  参考訳（メタデータ） (2022-05-29T16:46:21Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• PACOH: Bayes-Optimal Meta-Learning with PAC-Guarantees [77.67258935234403]
  PAC-Bayesianフレームワークを用いた理論的解析を行い、メタ学習のための新しい一般化境界を導出する。 我々は、性能保証と原則付きメタレベル正規化を備えたPAC最適メタ学習アルゴリズムのクラスを開発する。
  論文  参考訳（メタデータ） (2020-02-13T15:01:38Z)

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。