論文の概要: Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2507.04332v1
• Date: Sun, 06 Jul 2025 10:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.124179
• Title: Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation
• Title（参考訳）: グループアサインメント間の一貫性ラベリング:条件付き平均処理効果推定におけるばらつき低減
• Authors: Yi-Fu Fu, Keng-Te Liao, Shou-De Lin,
• Abstract要約: 我々は,複数のアルゴリズムが同じインスタンスに対して異なるグループ割り当てに対して一貫性のない学習行動を示す,共通の問題を強調した。 本稿では,この不整合がテストエラーの増大に実際に寄与し,従来の機械学習手法では解決できないことを示す理論的解析について述べる。 我々は,既存のCATE推定アルゴリズムに適用可能な,textbfConsistent Labeling Across Group Assignments (CLAGA) と呼ばれる一般的な手法を提案する。
• 参考スコア（独自算出の注目度）: 4.938762852799707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous algorithms have been developed for Conditional Average Treatment Effect (CATE) estimation. In this paper, we first highlight a common issue where many algorithms exhibit inconsistent learning behavior for the same instance across different group assignments. We introduce a metric to quantify and visualize this inconsistency. Next, we present a theoretical analysis showing that this inconsistency indeed contributes to higher test errors and cannot be resolved through conventional machine learning techniques. To address this problem, we propose a general method called \textbf{Consistent Labeling Across Group Assignments} (CLAGA), which eliminates the inconsistency and is applicable to any existing CATE estimation algorithm. Experiments on both synthetic and real-world datasets demonstrate significant performance improvements with CLAGA.
• Abstract（参考訳）: 条件平均処理効果(CATE)推定のためのアルゴリズムが多数開発されている。 本稿では,複数のアルゴリズムが同一インスタンスに対して異なるグループ割り当てに対して一貫性のない学習行動を示すという共通問題を最初に取り上げる。 この矛盾を定量化し可視化する指標を導入する。 次に,この不整合がテストエラーの増大に実際に寄与し,従来の機械学習手法では解決できないことを示す理論的解析を行った。 この問題に対処するため, 既存のCATE推定アルゴリズムに適用可能な, CLAGA (textbf{Consistent Labeling Across Group Assignments}) と呼ばれる一般的な手法を提案する。 合成データセットと実世界のデータセットの両方の実験では、CLAGAによる大幅なパフォーマンス向上が示されている。

関連論文リスト

• Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
  本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。 本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
  論文  参考訳（メタデータ） (2025-06-09T18:46:27Z)
• On the Interconnections of Calibration, Quantification, and Classifier Accuracy Prediction under Dataset Shift [58.91436551466064]
  本稿では,データセットシフト条件下でのキャリブレーションと定量化の3つの基本問題間の相互接続について検討する。 これらのタスクのいずれか1つに対するオラクルへのアクセスは、他の2つのタスクの解決を可能にすることを示す。 本稿では,他の分野から借用した高度に確立された手法の直接適応に基づく各問題に対する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:42:55Z)
• Constructing Confidence Intervals for 'the' Generalization Error -- a Comprehensive Benchmark Study [7.094603504956301]
  機械学習では、一般化誤差に対する信頼区間(CI)が重要なツールである。 7種類のインデューサと合計8個の損失関数を用いて,合計19個の回帰および分類問題に対する13種類のCI手法の評価を行った。 一般化エラーのためのCI構築の方法論的基礎と固有の課題について概説し、統一されたフレームワークにおける13のメソッド全てを簡潔にレビューする。
  論文  参考訳（メタデータ） (2024-09-27T15:29:32Z)
• Absolute Ranking: An Essential Normalization for Benchmarking Optimization Algorithms [0.0]
  多くの問題における最適化アルゴリズムの性能評価は,数値スケールの多様性が原因で複雑な問題となる。 本稿では,この問題を広範囲に検討し,根本原因の根本原因を徹底的に解析する上で説得力のある事例を提示する。 本研究では,「絶対ランク付け」と呼ばれる新しい数学的モデルとサンプリングに基づく計算手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T00:55:03Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Rethinking and Reweighting the Univariate Losses for Multi-Label Ranking: Consistency and Generalization [44.73295800450414]
  (部分)ランキング損失は、マルチラベル分類の一般的な評価尺度です。 既存の理論と実践の間にはギャップがある -- ペアワイズな損失は有望なパフォーマンスをもたらすが一貫性を欠く可能性がある。
  論文  参考訳（メタデータ） (2021-05-10T09:23:27Z)
• Performance Evaluation of Adversarial Attacks: Discrepancies and Solutions [51.8695223602729]
  機械学習モデルの堅牢性に挑戦するために、敵対攻撃方法が開発されました。 本稿では,Piece-wise Sampling Curving(PSC)ツールキットを提案する。 psc toolkitは計算コストと評価効率のバランスをとるオプションを提供する。
  論文  参考訳（メタデータ） (2021-04-22T14:36:51Z)

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。