論文の概要: Efficient and Scalable Estimation of Distributional Treatment Effects with Multi-Task Neural Networks

• arxiv url: http://arxiv.org/abs/2507.07738v1
• Date: Thu, 10 Jul 2025 13:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.411938
• Title: Efficient and Scalable Estimation of Distributional Treatment Effects with Multi-Task Neural Networks
• Title（参考訳）: マルチタスクニューラルネットワークによる分散処理効果の効率的かつスケーラブルな推定
• Authors: Tomu Hirata, Undral Byambadalai, Tatsushi Oka, Shota Yasui, Shingo Uto,
• Abstract要約: ランダム化実験における分散処理効果を推定するための新しいマルチタスクニューラルネットワーク手法を提案する。 本手法は,米国における水消費削減を目的としたランダムフィールド実験や,日本の大手ストリーミングプラットフォームによる大規模A/Bテストなど,シミュレーションと実世界の両方のデータセットに適用する。
• 参考スコア（独自算出の注目度）: 5.895315872876525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel multi-task neural network approach for estimating distributional treatment effects (DTE) in randomized experiments. While DTE provides more granular insights into the experiment outcomes over conventional methods focusing on the Average Treatment Effect (ATE), estimating it with regression adjustment methods presents significant challenges. Specifically, precision in the distribution tails suffers due to data imbalance, and computational inefficiencies arise from the need to solve numerous regression problems, particularly in large-scale datasets commonly encountered in industry. To address these limitations, our method leverages multi-task neural networks to estimate conditional outcome distributions while incorporating monotonic shape constraints and multi-threshold label learning to enhance accuracy. To demonstrate the practical effectiveness of our proposed method, we apply our method to both simulated and real-world datasets, including a randomized field experiment aimed at reducing water consumption in the US and a large-scale A/B test from a leading streaming platform in Japan. The experimental results consistently demonstrate superior performance across various datasets, establishing our method as a robust and practical solution for modern causal inference applications requiring a detailed understanding of treatment effect heterogeneity.
• Abstract（参考訳）: ランダム化実験において,分散処理効果(DTE)を推定するための新しいマルチタスクニューラルネットワーク手法を提案する。 DTEは、平均治療効果(ATE)に着目した従来の方法よりも、実験結果に関するより詳細な洞察を提供するが、回帰調整法を用いて推定すると、大きな課題が生じる。 具体的には、データ不均衡によって分布尾の精度が低下し、特に産業でよく見られる大規模データセットにおいて、多くの回帰問題を解く必要性から計算の非効率性が生じる。 これらの制約に対処するために,マルチタスクニューラルネットワークを用いて条件付き結果分布を推定し,単調な形状制約とマルチスレッドラベル学習を取り入れて精度を向上させる。 提案手法の有効性を実証するため,本手法を実世界のシミュレーションデータと実世界のデータの両方に適用し,米国における水消費削減を目的としたランダムフィールド実験と,日本の大手ストリーミングプラットフォームによる大規模A/Bテストを行った。 実験結果は, 様々なデータセットに対して優れた性能を示し, 治療効果の不均一性の詳細な理解を必要とする現代の因果推論アプリケーションに対して, 堅牢かつ実用的な解法として確立した。

関連論文リスト

• Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
  ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。 提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
  論文  参考訳（メタデータ） (2024-07-22T20:28:29Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• 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)
• DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation [7.060064266376701]
  因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。 本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
  論文  参考訳（メタデータ） (2022-07-19T01:25:31Z)
• Causal Inference from Small High-dimensional Datasets [7.1894784995284144]
  Causal-Batleは、小さな高次元データセットにおける治療効果を推定する手法である。 我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。
  論文  参考訳（メタデータ） (2022-05-19T02:04:01Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)

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。