論文の概要: Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects

• arxiv url: http://arxiv.org/abs/2506.13680v1
• Date: Mon, 16 Jun 2025 16:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.99656
• Title: Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects
• Title（参考訳）: ハイブリッドメタラーナーによる不均一処理効果の評価
• Authors: Zhongyuan Liang, Lars van der Laan, Ahmed Alaa,
• Abstract要約: 観測データから条件平均治療効果(CATE)を推定するには、教師付き学習とは異なる決定をモデル化する必要がある。 従来のアプローチは、2つの主要な「メタ・ラーナー」パラダイムに分類することができる。 データセットに応じて直接正規化と間接正規化を補間する新しい正規化戦略であるHybrid Learner(H-learner)を導入する。
• 参考スコア（独自算出の注目度）: 1.9506923346234724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating conditional average treatment effects (CATE) from observational data involves modeling decisions that differ from supervised learning, particularly concerning how to regularize model complexity. Previous approaches can be grouped into two primary "meta-learner" paradigms that impose distinct inductive biases. Indirect meta-learners first fit and regularize separate potential outcome (PO) models and then estimate CATE by taking their difference, whereas direct meta-learners construct and directly regularize estimators for the CATE function itself. Neither approach consistently outperforms the other across all scenarios: indirect learners perform well when the PO functions are simple, while direct learners outperform when the CATE is simpler than individual PO functions. In this paper, we introduce the Hybrid Learner (H-learner), a novel regularization strategy that interpolates between the direct and indirect regularizations depending on the dataset at hand. The H-learner achieves this by learning intermediate functions whose difference closely approximates the CATE without necessarily requiring accurate individual approximations of the POs themselves. We demonstrate empirically that intentionally allowing suboptimal fits to the POs improves the bias-variance tradeoff in estimating CATE. Experiments conducted on semi-synthetic and real-world benchmark datasets illustrate that the H-learner consistently operates at the Pareto frontier, effectively combining the strengths of both direct and indirect meta-learners.
• Abstract（参考訳）: 観測データから条件平均治療効果(CATE)を推定するには、教師付き学習とは異なる決定をモデル化する必要がある。 従来のアプローチは、2つの主要な「メタ・ラーナー」パラダイムに分類することができる。 間接メタラーナーはまずPOモデルに適合し、次にその差を取らしてCATEを推定し、一方直接メタラーナーはCATE関数自体の推定器を構築し、直接正規化する。 間接的な学習者はPO関数が単純である場合、直接的な学習者は個々のPO関数よりもCATEが単純である場合、良好に実行する。 本稿では,Hybrid Learner(H-learner)を紹介する。Hybrid Learnerは,手元にあるデータセットに応じて,直接正規化と間接正規化を補間する新しい正規化戦略である。 H-ラーナーは、PO自体の正確な個人近似を必要とせず、CATEに密接に近似した中間関数を学習することでこれを達成している。 CATEを推定する際の偏差トレードオフを改善することを実証的に示す。 半合成および実世界のベンチマークデータセットで実施された実験は、Hラーナーがパレートフロンティアで一貫して動作し、直接および間接メタラーナーの強度を効果的に組み合わせていることを示している。

関連論文リスト

• Ranking and Combining Latent Structured Predictive Scores without Labeled Data [2.5064967708371553]
  本稿では,新しい教師なしアンサンブル学習モデル(SUEL)を提案する。 連続的な予測スコアを持つ予測器のセット間の依存関係を利用して、ラベル付きデータなしで予測器をランク付けし、それらをアンサンブルされたスコアに重み付けする。 提案手法の有効性は、シミュレーション研究とリスク遺伝子発見の現実的応用の両方を通じて厳密に評価されている。
  論文  参考訳（メタデータ） (2024-08-14T20:14:42Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Conformal Meta-learners for Predictive Inference of Individual Treatment Effects [0.0]
  個別処理効果(ITE)における機械学習(ML)予測の問題点について検討する。 我々は,CATEメタラーナー上に標準共形予測(CP)手法を適用することで,ITTの予測区間を発行する一般的なフレームワークである共形メタラーナーを開発する。
  論文  参考訳（メタデータ） (2023-08-28T20:32:22Z)
• 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)
• Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior: From Theory to Practice [54.03076395748459]
  メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。 本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。 PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
  論文  参考訳（メタデータ） (2022-11-14T08:51:04Z)
• Using Explainable Boosting Machine to Compare Idiographic and Nomothetic Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
  本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。 木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。 2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
  論文  参考訳（メタデータ） (2022-04-04T17:56:37Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Beyond Marginal Uncertainty: How Accurately can Bayesian Regression Models Estimate Posterior Predictive Correlations? [13.127549105535623]
  入力位置の異なる関数値間の予測的相関を推定することは、しばしば有用である。 まず、後続の予測相関に依存する下流タスクについて考察する:トランスダクティブアクティブラーニング(TAL) TALは高価で間接的にアルゴリズムの開発を誘導できないため、予測相関をより直接的に評価する2つの指標を導入する。
  論文  参考訳（メタデータ） (2020-11-06T03:48:59Z)

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。