論文の概要: Stable Heterogeneous Treatment Effect Estimation across Out-of-Distribution Populations
- arxiv url: http://arxiv.org/abs/2407.03082v1
- Date: Wed, 3 Jul 2024 13:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 14:16:16.226202
- Title: Stable Heterogeneous Treatment Effect Estimation across Out-of-Distribution Populations
- Title（参考訳）: 分布域外における安定な不均一処理効果の推定
- Authors: Yuling Zhang, Anpeng Wu, Kun Kuang, Liang Du, Zixun Sun, Zhi Wang,
- Abstract要約: 不均一治療効果(HTE)の推定は、個人またはグループ間の治療効果の変化を理解するために不可欠である。
既存のHTE推定手法の多くは、処理単位と制御単位間の共著者の不均衡分布によって引き起こされる選択バイアスに対処することに焦点を当てている。
人口分布を連続的に変化させる現実世界のアプリケーションでは、分布外人口をまたいだ安定したHTE推定が緊急に必要である。
- 参考スコア（独自算出の注目度）: 27.163528362979594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous treatment effect (HTE) estimation is vital for understanding the change of treatment effect across individuals or subgroups. Most existing HTE estimation methods focus on addressing selection bias induced by imbalanced distributions of confounders between treated and control units, but ignore distribution shifts across populations. Thereby, their applicability has been limited to the in-distribution (ID) population, which shares a similar distribution with the training dataset. In real-world applications, where population distributions are subject to continuous changes, there is an urgent need for stable HTE estimation across out-of-distribution (OOD) populations, which, however, remains an open problem. As pioneers in resolving this problem, we propose a novel Stable Balanced Representation Learning with Hierarchical-Attention Paradigm (SBRL-HAP) framework, which consists of 1) Balancing Regularizer for eliminating selection bias, 2) Independence Regularizer for addressing the distribution shift issue, 3) Hierarchical-Attention Paradigm for coordination between balance and independence. In this way, SBRL-HAP regresses counterfactual outcomes using ID data, while ensuring the resulting HTE estimation can be successfully generalized to out-of-distribution scenarios, thereby enhancing the model's applicability in real-world settings. Extensive experiments conducted on synthetic and real-world datasets demonstrate the effectiveness of our SBRL-HAP in achieving stable HTE estimation across OOD populations, with an average 10% reduction in the error metric PEHE and 11% decrease in the ATE bias, compared to the SOTA methods.
- Abstract（参考訳）: 不均一治療効果(HTE)の推定は、個人またはサブグループ間の治療効果の変化を理解するために不可欠である。
既存のHTE推定手法の多くは、共同創設者の不均衡分布に起因した選択バイアスに対処するが、集団間の分布シフトは無視する。
これにより、それらの適用性は、トレーニングデータセットに類似した分布を共有するID(In-distriion)人口に限られている。
人口分布が連続的な変化を受ける現実世界のアプリケーションでは、分布外人口(OOD)をまたいだ安定したHTE推定が緊急に必要であり、これは依然として未解決の問題である。
この問題の解決の先駆者として,階層型HAP(Stable Balanced Representation Learning with Hierarchical-Attention Paradigm)フレームワークを提案する。
1)選択バイアスをなくすための正規化のバランスをとること。
2 流通シフト問題に対処するための独立調整器
3)バランスと独立の調整のための階層的注意パラダイム。
このようにして、SBRL-HAPはIDデータを用いて偽結果の回帰を行い、その結果のHTE推定をアウト・オブ・ディストリビューションシナリオにうまく一般化し、実際の設定におけるモデルの適用性を高める。
SBRL-HAP が OOD 集団全体で安定な HTE 推定を実現し,平均 10% の誤差測定値 PEHE の減少と ATE バイアスの11% の減少をSOTA 法と比較した。
関連論文リスト
- Stochastic Semi-Gradient Descent for Learning Mean Field Games with Population-Aware Function Approximation [16.00164239349632]
平均場ゲーム (MFGs) は人口分布を用いた大規模マルチエージェントシステム内の相互作用をモデル化する。
本稿では,MFGのオンライン学習手法について考察する。
本研究では, 値関数と人口分布の両方に対する線形関数近似 (LFA) を開発し, 連続状態作用空間上でのMFGに対する最初の集団認識型LFAを実現する。
論文 参考訳（メタデータ） (2024-08-15T14:51:50Z) - Proximity Matters: Local Proximity Preserved Balancing for Treatment Effect Estimation [25.941696352770272]
観察データからの不均一な処理効果 (HTE) を推定することは, 治療選択バイアスによる重要な課題である。
既存の手法では、グローバルアライメントに焦点をあて、潜在空間における治療群間の分布の差異を最小化することで、このバイアスに対処している。
本稿では,HTE推定コンテキスト内での表現バランスに近接性を利用するために,PCR(Proximity-aware Counterfactual Regression)を提案する。
論文 参考訳（メタデータ） (2024-07-01T09:20:26Z) - Sample Selection Bias in Machine Learning for Healthcare [17.549969100454803]
サンプル選択バイアス(英: sample selection bias, SSB)とは、研究対象の人口が減少し、偏りがあり潜在的に有害な決定につながることを指す。
SSBは文献でよく知られているが、医療のための機械学習についてはほとんど研究されていない。
偏り補正ではなく,対象集団の同定に基づいて,SSBに対処するための新たな研究方向を提案する。
論文 参考訳（メタデータ） (2024-05-13T15:30:35Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳（メタデータ） (2023-03-06T17:19:23Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - Targeted Optimal Treatment Regime Learning Using Summary Statistics [12.767669486030352]
我々は、ソースとターゲットの集団が不均一である可能性のあるITR推定問題を考える。
我々は、利用可能な要約統計を利用して、所定の対象人口に対してITRを調整する重み付けフレームワークを開発する。
具体的には,対象集団の値関数の補正された逆確率重み付き推定器を提案し,最適ITRを推定する。
論文 参考訳（メタデータ） (2022-01-17T06:11:31Z) - 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) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z) - Global Distance-distributions Separation for Unsupervised Person
Re-identification [93.39253443415392]
既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。
本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。
本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2020-06-01T07:05:39Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。