論文の概要: When Is Heterogeneity Actionable for Personalization?

• arxiv url: http://arxiv.org/abs/2411.16552v1
• Date: Mon, 25 Nov 2024 16:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:27:35.057209
• Title: When Is Heterogeneity Actionable for Personalization?
• Title（参考訳）: 不均一性はパーソナライズにいつ有効か?
• Authors: Anya Shchetkina, Ron Berman,
• Abstract要約: パーソナライゼーションは、A/Bテストにおける最高のパフォーマンスの処置を全員に割り当てる統一的なポリシーを超えて、結果を改善するために使用することができる。 我々は「作用可能な不均一性」を定量化する統計モデルを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Targeting and personalization policies can be used to improve outcomes beyond the uniform policy that assigns the best performing treatment in an A/B test to everyone. Personalization relies on the presence of heterogeneity of treatment effects, yet, as we show in this paper, heterogeneity alone is not sufficient for personalization to be successful. We develop a statistical model to quantify "actionable heterogeneity," or the conditions when personalization is likely to outperform the best uniform policy. We show that actionable heterogeneity can be visualized as crossover interactions in outcomes across treatments and depends on three population-level parameters: within-treatment heterogeneity, cross-treatment correlation, and the variation in average responses. Our model can be used to predict the expected gain from personalization prior to running an experiment and also allows for sensitivity analysis, providing guidance on how changing treatments can affect the personalization gain. To validate our model, we apply five common personalization approaches to two large-scale field experiments with many interventions that encouraged flu vaccination. We find an 18% gain from personalization in one and a more modest 4% gain in the other, which is consistent with our model. Counterfactual analysis shows that this difference in the gains from personalization is driven by a drastic difference in within-treatment heterogeneity. However, reducing cross-treatment correlation holds a larger potential to further increase personalization gains. Our findings provide a framework for assessing the potential from personalization and offer practical recommendations for improving gains from targeting in multi-intervention settings.
• Abstract（参考訳）: ターゲティングとパーソナライゼーションのポリシーは、A/Bテストにおける最高のパフォーマンスの処置を全員に割り当てる統一的なポリシーを超えて、成果を改善するために使用することができる。 パーソナライゼーションは治療効果の不均一性の存在に依存しているが,本稿で示すように,不均一性だけではパーソナライゼーションが成功するには不十分である。 我々は「作用可能な不均一性」を定量化する統計モデルを開発する。 作用可能な不均一性は治療間の相互相互作用として可視化でき, 集団レベルのパラメータは内処理不均一性, 横断処理相関, 平均応答のばらつきの3つに依存する。 本モデルは,実験実施前のパーソナライズから期待される利益を予測できるとともに,感度分析も可能であり,治療の変化がパーソナライズゲインにどのように影響するかのガイダンスを提供する。 本モデルの有効性を検証するために,インフルエンザワクチン接種を奨励する多くの介入を施した2つの大規模フィールド実験に5つの共通パーソナライズ手法を適用した。 パーソナライズによって18%の利益が得られ、もう1つはより控えめな4%の利益が得られます。 カウンターファクト分析は、パーソナライズから得られる利益のこの違いが、内部処理の不均一性の劇的な違いによって引き起こされることを示している。 しかし、クロストリート相関の低減は、パーソナライズゲインをさらに増加させる大きな可能性を秘めている。 本研究は、パーソナライズからの可能性を評価するためのフレームワークを提供し、マルチ・インターベンション・セッティングにおけるゲイン向上のための実践的なレコメンデーションを提供する。

関連論文リスト

• Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
  本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。 ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:24:26Z)
• 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)
• Improving Personalisation in Valence and Arousal Prediction using Data Augmentation [2.447631206868802]
  本稿では、データ拡張を利用したパーソナライズ戦略の強化について述べる。 提案手法であるDWA(Distance Weighting Augmentation)では,対象者のデータセットを拡大する重み付けに基づく拡張手法を採用している。 MuSe-Personalisation 2023 Challengeデータセットの実験結果から,提案手法は特徴セットの性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-04-13T16:57:37Z)
• AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
  AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。 ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。 選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-03T13:53:08Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Undersmoothing Causal Estimators with Generative Trees [0.0]
  観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。 しかし、観測データからこれらの効果を推測することは困難である。 本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-03-16T11:59:38Z)
• SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
  そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。 具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。 これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
  論文  参考訳（メタデータ） (2021-12-06T08:38:38Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Treatment Allocation with Strategic Agents [0.0]
  最適規則はランダム化を伴い,100%未満の確率で治療をアロケートし,治療に対して平均的に正の反応を示した者に対しても有効であることを示す。 本研究では,ベイズ最適化に基づく逐次的実験を提案し,個別の戦略行動に関するパラメトリックな仮定を伴わない最適処理規則に収束する。
  論文  参考訳（メタデータ） (2020-11-12T17:40:53Z)
• Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions [15.443178111068418]
  本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。 プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
  論文  参考訳（メタデータ） (2020-11-11T16:17:29Z)

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。