論文の概要: Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects

• arxiv url: http://arxiv.org/abs/2504.13733v1
• Date: Fri, 18 Apr 2025 15:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 15:21:53.406385
• Title: Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects
• Title（参考訳）: 動的正則CBDT:不均一な治療効果に対する可変校正因数ブースティング
• Authors: Yichen Liu,
• Abstract要約: 動的正則化因数ブースト決定木(CBDT)を提案する。 CBDTは、分散正則化と平均処理効果校正を勾配増進決定木の損失関数に統合する。 以上の結果から,CBDTは真の治療効果の信頼性を維持しつつ,推定精度を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 3.390322732093844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous treatment effect estimation in high-stakes applications demands models that simultaneously optimize precision, interpretability, and calibration. Many existing tree-based causal inference techniques, however, exhibit high estimation errors when applied to observational data because they struggle to capture complex interactions among factors and rely on static regularization schemes. In this work, we propose Dynamic Regularized Causal Boosted Decision Trees (CBDT), a novel framework that integrates variance regularization and average treatment effect calibration into the loss function of gradient boosted decision trees. Our approach dynamically updates the regularization parameters using gradient statistics to better balance the bias-variance tradeoff. Extensive experiments on standard benchmark datasets and real-world clinical data demonstrate that the proposed method significantly improves estimation accuracy while maintaining reliable coverage of true treatment effects. In an intensive care unit patient triage study, the method successfully identified clinically actionable rules and achieved high accuracy in treatment effect estimation. The results validate that dynamic regularization can effectively tighten error bounds and enhance both predictive performance and model interpretability.
• Abstract（参考訳）: 高精度アプリケーションにおける不均一な処理効果の推定は、精度、解釈可能性、キャリブレーションを同時に最適化するモデルを要求する。 しかし、既存の木に基づく因果推論技術の多くは、観測データに適用した場合、要素間の複雑な相互作用を捉えるのに苦労し、静的正規化スキームに依存するため、高い推定誤差を示す。 本研究では、分散正則化と平均処理効果校正を統合した新しいフレームワークCBDT(Dynamic Regularized Causal Boosted Decision Trees)を提案する。 本手法では, 偏差トレードオフのバランスを改善するために, 勾配統計を用いた正規化パラメータを動的に更新する。 標準ベンチマークデータセットおよび実世界の臨床データに対する大規模な実験により、本手法は真の治療効果の信頼性を維持しつつ、推定精度を著しく向上することを示した。 集中治療単位患者トリアージ研究において, 臨床的に実行可能なルールの同定に成功し, 治療効果推定において高い精度を達成した。 その結果、動的正則化がエラー境界を効果的に締め付け、予測性能とモデル解釈可能性の両方を向上させることが検証された。

関連論文リスト

• C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
  因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。 本稿では,C-XGBoost という新たな因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T17:43:37Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [3.3523758554338734]
  時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。 我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。 我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
  論文  参考訳（メタデータ） (2023-10-16T16:32:35Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
  本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。 新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。 提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-07T07:42:40Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
  因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。 均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
  論文  参考訳（メタデータ） (2021-11-16T17:40:57Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)
• Estimating Treatment Effect under Additive Hazards Models with High-dimensional Covariates [0.3481985817302898]
  本稿では,治療効果推定と推定のための新しいスコア法を提案する。 本研究では,高次元付加的ハザードモデルに基づく条件付き治療効果の有効な推定法を提案する。 前立腺癌に対する根治的前立腺切除術の治療効果について検討した。
  論文  参考訳（メタデータ） (2019-06-29T22:15:59Z)

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。