論文の概要: Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data

• arxiv url: http://arxiv.org/abs/2412.10009v1
• Date: Fri, 13 Dec 2024 09:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:04:04.814571
• Title: Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data
• Title（参考訳）: 不均衡RCTデータを用いた昇降モデルのためのクラスフリップと不均一処理効果の推定
• Authors: Krzysztof Rudaś, Szymon Jaroszewicz,
• Abstract要約: 授業と治療の不均衡は、アップリフト/HTE推定において重要な問題である。 本稿では,選択したレコードのクラス値のフリップに基づくアンダーサンプリングに代わるアプローチを提案する。 提案手法は予測効果を歪めず,キャリブレーションを必要としないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Uplift modeling and Heterogeneous Treatment Effect (HTE) estimation aim at predicting the causal effect of an action, such as a medical treatment or a marketing campaign on a specific individual. In this paper, we focus on data from Randomized Controlled Experiments which guarantee causal interpretation of the outcomes. Class and treatment imbalance are important problems in uplift modeling/HTE, but classical undersampling or oversampling based approaches are hard to apply in this case since they distort the predicted effect. Calibration methods have been proposed in the past, however, they do not guarantee correct predictions. In this work, we propose an approach alternative to undersampling, based on flipping the class value of selected records. We show that the proposed approach does not distort the predicted effect and does not require calibration. The method is especially useful for models based on class variable transformation (modified outcome models). We address those models separately, designing a transformation scheme which guarantees correct predictions and addresses also the problem of treatment imbalance which is especially important for those models. Experiments fully confirm our theoretical results. Additionally, we demonstrate that our method is a viable alternative also for standard classification problems.
• Abstract（参考訳）: 昇降モデリングと不均一処理効果(HTE)の推定は、特定の個人に対する医療やマーケティングキャンペーンなどの行為の因果効果を予測することを目的としている。 本稿では,結果の因果的解釈を保証するランダム化制御実験のデータに着目した。 授業と治療の不均衡は、アップリフトモデリング/HTEにおいて重要な問題であるが、古典的なアンダーサンプリングやオーバーサンプリングに基づくアプローチは、予測された効果を歪ませるため、このケースでは適用が難しい。 校正法は過去にも提案されてきたが、正確な予測は保証されていない。 本研究では,選択したレコードのクラス値のフリップに基づくアンダーサンプリングに代わるアプローチを提案する。 提案手法は予測効果を歪めず,キャリブレーションを必要としないことを示す。 この方法は、クラス変数変換(修正結果モデル)に基づくモデルに特に有用である。 我々はこれらのモデルに個別に対処し、正しい予測と対処を保証する変換スキームを設計し、またそれらのモデルにとって特に重要である治療の不均衡の問題も解決する。 実験は我々の理論結果を完全に裏付ける。 さらに,本手法は標準分類問題にも有効であることを示す。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Inference-Time Selective Debiasing [27.578390085427156]
  モデル全体の品質向上を目的とした,推論時の安全性メカニズムである選択的デバイアス(elective debiasing)を提案する。 潜在的なバイアスのあるモデル予測を特定し、それらを捨てる代わりに、後処理のデバイアス手法であるLEACEを使ってそれらをデバイアスします。 テキスト分類データセットを用いた実験では、選択的デバイアスは、後処理方法とトレーニングと前処理のデバイアス技術の間のパフォーマンスギャップを埋めるのに役立つことが示されている。
  論文  参考訳（メタデータ） (2024-07-27T21:56:23Z)
• An Experimental Study on the Rashomon Effect of Balancing Methods in Imbalanced Classification [0.0]
  本稿では,ラショモン効果を用いた予測多重度に及ぼすバランス法の影響について検討する。 データ中心のAIにおける盲点モデル選択は、ほぼ同じ精度のモデルのセットからリスクが高いため、非常に重要です。
  論文  参考訳（メタデータ） (2024-03-22T13:08:22Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Improving uplift model evaluation on RCT data [6.624726878647541]
  本研究では, ランダム化比較試験データを用いて, 上昇評価指標のばらつきを統計的に解析する。 提案手法は,理論上,実証上,上昇評価指標のばらつきを低減できるような結果調整手法を提案する。
  論文  参考訳（メタデータ） (2022-10-05T11:16:01Z)
• Calibrated Selective Classification [34.08454890436067]
  そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。 本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。 われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
  論文  参考訳（メタデータ） (2022-08-25T13:31:09Z)
• Calibration Error for Heterogeneous Treatment Effects [2.730388253761138]
  ヘテロジニアス処理効果(HTE)のためのロバストな推定器を提案する。 我々のアプローチは、二重に頑健な治療効果推定器によって動機付けられ、不偏で、補充、過度な適合、高次元性の問題に耐性がある。 本稿では,提案手法を用いて学習したHTEモデルの校正評価を行い,CRITEO-UPLIFT試験への適用について述べる。
  論文  参考訳（メタデータ） (2022-03-24T22:10:43Z)
• 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)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)

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。