Fugu-MT 論文翻訳(概要): Optimizing Treatment Allocation in the Presence of Interference

論文の概要: Optimizing Treatment Allocation in the Presence of Interference

arxiv url: http://arxiv.org/abs/2410.00075v1
Date: Mon, 30 Sep 2024 15:48:22 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 14:59:58.624542
Title: Optimizing Treatment Allocation in the Presence of Interference
Title（参考訳）: 干渉の有無を考慮した治療適応の最適化
Authors: Daan Caljon, Jente Van Belle, Jeroen Berrevoets, Wouter Verbeke,
Abstract要約: 影響最大化(IM)では、治療対象のネットワーク内の最適なエンティティセットを選択することが目的である。昇降モデリング(UM)では、エンティティは推定処理効果に応じてランク付けされ、上位エンティティは処理を割り当てる。本稿では,ネットワーク設定における治療効果を予測するために因果推定器を訓練し,従来のIMアルゴリズムに統合する方法について述べる。
参考スコア（独自算出の注目度）: 6.404584255185188
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In Influence Maximization (IM), the objective is to -- given a budget -- select the optimal set of entities in a network to target with a treatment so as to maximize the total effect. For instance, in marketing, the objective is to target the set of customers that maximizes the total response rate, resulting from both direct treatment effects on targeted customers and indirect, spillover, effects that follow from targeting these customers. Recently, new methods to estimate treatment effects in the presence of network interference have been proposed. However, the issue of how to leverage these models to make better treatment allocation decisions has been largely overlooked. Traditionally, in Uplift Modeling (UM), entities are ranked according to estimated treatment effect, and the top entities are allocated treatment. Since, in a network context, entities influence each other, the UM ranking approach will be suboptimal. The problem of finding the optimal treatment allocation in a network setting is combinatorial and generally has to be solved heuristically. To fill the gap between IM and UM, we propose OTAPI: Optimizing Treatment Allocation in the Presence of Interference to find solutions to the IM problem using treatment effect estimates. OTAPI consists of two steps. First, a causal estimator is trained to predict treatment effects in a network setting. Second, this estimator is leveraged to identify an optimal treatment allocation by integrating it into classic IM algorithms. We demonstrate that this novel method outperforms classic IM and UM approaches on both synthetic and semi-synthetic datasets.
Abstract（参考訳）: 効果最大化(IM)では、予算が与えられたら、対象とするネットワーク内の最適なエンティティセットを選択して、全体の効果を最大化する。例えば、マーケティングでは、ターゲットとする顧客に対する直接的な治療効果と、ターゲットとする顧客に対する間接的かつ不正な影響の両方から、全体のレスポンス率を最大化する顧客セットを目標とする。近年,ネットワーク干渉の有無による治療効果を推定する手法が提案されている。しかし、これらのモデルをどのように活用してより良い治療割り当て決定を下すかという問題は、ほとんど見過ごされてしまっている。伝統的に、昇降モデリング(UM)では、エンティティは推定された処理効果に従ってランク付けされ、上位エンティティは処理に割り当てられる。ネットワークのコンテキストでは、エンティティが互いに影響しあうので、UMランキングのアプローチは最適ではない。ネットワーク設定における最適処理割り当てを見つける問題は組合せ的であり、概してヒューリスティックに解決する必要がある。本稿では,IM と UM のギャップを埋めるために OTAPI を提案する。 OTAPIは2つのステップから構成される。まず、ネットワーク設定における治療効果を予測するために、因果推定器を訓練する。第二に、この推定器を利用して、古典的IMアルゴリズムに統合することで最適な処理割り当てを特定する。本手法は,合成データセットと半合成データセットの両方において,古典的IMおよびUMアプローチよりも優れた性能を示す。

関連論文リスト

Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization [2.4374097382908477]
意思決定過程を通じて進化し,目的の関連性に影響を与えるDM選好の動的性質について検討する。このような変化が起こると、時代遅れや相反する好みを解消する手法を提案する。実験により,提案手法は進化する嗜好を効果的に管理し,アルゴリズムが生成するソリューションの品質と望ましさを著しく向上することを示した。
論文参考訳（メタデータ） (2024-11-07T09:09:06Z)
Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
論文参考訳（メタデータ） (2024-10-10T17:00:06Z)
Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文参考訳（メタデータ） (2024-04-29T08:16:30Z)
Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。 ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文参考訳（メタデータ） (2024-02-20T04:13:59Z)
Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文参考訳（メタデータ） (2023-07-27T08:58:05Z)
Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文参考訳（メタデータ） (2022-12-07T14:53:47Z)
Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
論文参考訳（メタデータ） (2021-06-13T16:42:22Z)
MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation [84.90801699807426]
本稿ではMetaAlignと呼ばれるメタ最適化に基づく効果的な戦略を提案する。ドメインアライメントの目的と分類の目的をメタ学習計画におけるメタトレーニングとメタテストのタスクとして扱う。実験結果は,アライメントに基づくベースラインアプローチを用いた提案手法の有効性を実証した。
論文参考訳（メタデータ） (2021-03-25T03:16:05Z)
Treatment Targeting by AUUC Maximization with Generalization Guarantees [7.837855832568568]
個々の治療効果予測に基づいて治療課題を最適化する作業を検討する。本稿では, 昇降曲線(AUUC)に基づく一般化を提案し, AUUC-max(AUUC-max)と呼ばれる, この境界の導出可能なサロゲートを最適化する新しい学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-17T19:32:35Z)
Causal Bayesian Optimization [8.958125394444679]
本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
論文参考訳（メタデータ） (2020-05-24T13:20:50Z)
Online Batch Decision-Making with High-Dimensional Covariates [20.06690325969748]
そこで本稿では, テキストタユーザではなく, テキストタバッチと同時に対話するシーケンシャル意思決定のための新しいアルゴリズムのクラスを提案し, 検討する。 textitTeamwork LASSO Banditアルゴリズムは,意思決定プロセス全体において,ステージと利己的なステージを切り替えることで,探索探索ジレンマのバッチバージョンを解決します。
論文参考訳（メタデータ） (2020-02-21T17:36:15Z)

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。