論文の概要: CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
- arxiv url: http://arxiv.org/abs/2407.01004v1
- Date: Mon, 1 Jul 2024 06:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 00:25:59.898178
- Title: CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
- Title(参考訳): CURLS:重要な治療効果を有するサブグループの因果ルール学習
- Authors: Jiehui Zhou, Linxiao Yang, Xingyu Liu, Xinyue Gu, Liang Sun, Wei Chen,
- Abstract要約: 因果推論では、異なるサブグループが介入にどう反応するかを特定するために、ヘテロジニアス治療効果(HTE)を推定することが重要である。
本稿では,HTEを利用した新しいルール学習手法であるCURLSを提案する。
- 参考スコア(独自算出の注目度): 22.012322558109574
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In causal inference, estimating heterogeneous treatment effects (HTE) is critical for identifying how different subgroups respond to interventions, with broad applications in fields such as precision medicine and personalized advertising. Although HTE estimation methods aim to improve accuracy, how to provide explicit subgroup descriptions remains unclear, hindering data interpretation and strategic intervention management. In this paper, we propose CURLS, a novel rule learning method leveraging HTE, which can effectively describe subgroups with significant treatment effects. Specifically, we frame causal rule learning as a discrete optimization problem, finely balancing treatment effect with variance and considering the rule interpretability. We design an iterative procedure based on the minorize-maximization algorithm and solve a submodular lower bound as an approximation for the original. Quantitative experiments and qualitative case studies verify that compared with state-of-the-art methods, CURLS can find subgroups where the estimated and true effects are 16.1% and 13.8% higher and the variance is 12.0% smaller, while maintaining similar or better estimation accuracy and rule interpretability. Code is available at https://osf.io/zwp2k/.
- Abstract(参考訳): 因果推論において、HTE(heregeneous treatment effect)の推定は、異なるサブグループが介入にどう反応するかを特定するために重要であり、精度医学やパーソナライズド広告などの分野に広く応用されている。
HTE推定法は精度の向上を目的としているが,データ解釈や戦略的介入管理の妨げとなるような,明示的なサブグループ記述の提供方法は不明なままである。
本稿では,HTEを利用した新しいルール学習手法であるCURLSを提案する。
具体的には、因果規則学習を離散最適化問題として捉え、処理効果と分散の微妙なバランスをとり、規則解釈可能性を考慮する。
最小化-最大化アルゴリズムに基づいて反復的な手順を設計し、元の近似として部分モジュラー下界を解く。
定量的実験と定性的なケーススタディにより、CURLSは最先端の手法と比較して、推定および真の効果が16.1%と13.8%高く、分散が12.0%小さい部分群を発見でき、類似またはより良い推定精度と規則解釈性を維持している。
コードはhttps://osf.io/zwp2k/で入手できる。
関連論文リスト
- Hierarchical and Density-based Causal Clustering [6.082022112101251]
本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。
さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
論文 参考訳(メタデータ) (2024-11-02T14:01:04Z) - Preference Fine-Tuning of LLMs Should Leverage Suboptimal, On-Policy Data [102.16105233826917]
好みラベルからの学習は、微調整された大きな言語モデルにおいて重要な役割を果たす。
好みの微調整には、教師付き学習、オンライン強化学習(RL)、コントラスト学習など、いくつかの異なるアプローチがある。
論文 参考訳(メタデータ) (2024-04-22T17:20:18Z) - Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。
我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。
正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
論文 参考訳(メタデータ) (2024-02-14T13:30:02Z) - Causal Machine Learning for Moderation Effects [0.0]
我々は、新しいパラメータ、バランス付きグループ平均治療効果(BGATE)を提案する。
2つのBGATEの違いをとることで、2つのGATEを比較するよりも、より意味のある異質性を分析することができる。
追加の特定仮定を追加することで、グループ間の治療効果の特定のバランスの取れた差異を因果的に解釈することができる。
論文 参考訳(メタデータ) (2024-01-16T11:34:59Z) - Statistical Performance Guarantee for Subgroup Identification with
Generic Machine Learning [1.0878040851638]
我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。
我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
論文 参考訳(メタデータ) (2023-10-12T01:41:47Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - 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) - 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) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳(メタデータ) (2020-06-14T14:50:02Z)
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。