論文の概要: An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
- arxiv url: http://arxiv.org/abs/2507.09494v1
- Date: Sun, 13 Jul 2025 05:01:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.361952
- Title: An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
- Title(参考訳): 治療効果を考慮した解釈可能な部分群同定アルゴリズム
- Authors: Albert Chiu,
- Abstract要約: 個別または条件付き平均治療効果(CATE)の推定値から、高い治療効果を有する解釈可能なサブグループを同定するアルゴリズムを提案する。
サブグループはルールセット'' -- フォーム(Condition A and Condition B) OR(Condition C)の理解が容易なステートメントによって特徴づけられる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce an algorithm for identifying interpretable subgroups with elevated treatment effects, given an estimate of individual or conditional average treatment effects (CATE). Subgroups are characterized by ``rule sets'' -- easy-to-understand statements of the form (Condition A AND Condition B) OR (Condition C) -- which can capture high-order interactions while retaining interpretability. Our method complements existing approaches for estimating the CATE, which often produce high dimensional and uninterpretable results, by summarizing and extracting critical information from fitted models to aid decision making, policy implementation, and scientific understanding. We propose an objective function that trades-off subgroup size and effect size, and varying the hyperparameter that controls this trade-off results in a ``frontier'' of Pareto optimal rule sets, none of which dominates the others across all criteria. Valid inference is achievable through sample splitting. We demonstrate the utility and limitations of our method using simulated and empirical examples.
- Abstract(参考訳): 個別または条件付き平均治療効果 (CATE) を推定し, 高い治療効果を有する解釈可能なサブグループを同定するアルゴリズムを提案する。
サブグループは 'rule set'' -- 解釈可能性を維持しながら高次相互作用をキャプチャできる形式の文(Condition A and Condition B) OR (Condition C) -- で特徴づけられる。
提案手法は,CATEを推定するための既存の手法を補完するものであり,高次元かつ解釈不能な結果を生成する場合が多い。
このトレードオフを制御するハイパーパラメーターは,パレート最適規則集合の ''frontier'' を導出するが,これらはすべての基準において他を優越しない。
正当推論はサンプル分割によって達成できる。
シミュレーションおよび実証例を用いて,本手法の有用性と限界を実証する。
関連論文リスト
- MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability [11.997050225896679]
そこで本研究では,最適部分群を同定するために,初期制約付き最適化問題を直接解決する統一最適化フレームワークを提案する。
我々の鍵となる革新は、勾配降下勾配アルゴリズムによって解決された、制約のない微分可能な min-max の目的として、制約された原始問題の再構成である。
このフレームワークは、モデルに依存しず、幅広いCATE推定器と互換性があり、コスト制限や公正性基準のような追加の制約への適合性がある。
論文 参考訳(メタデータ) (2025-04-29T16:25:23Z) - A Meta-learner for Heterogeneous Effects in Difference-in-Differences [17.361857058902494]
条件付き平均処理効果(CATT)の評価のための二重頑健なメタラーナを提案する。
我々のフレームワークは、汎用機械学習を用いて、興味のある変数の任意のサブセットを条件付ける際に、CATTの柔軟な推定を可能にする。
論文 参考訳(メタデータ) (2025-02-07T07:04:37Z) - Structured Conformal Inference for Matrix Completion with Applications to Group Recommender Systems [16.519348575982004]
本手法は, わずかに観察された行列内において, 与えられた不足成分群に対する連立信頼領域を構築するための共形推論法を開発した。
提案手法はモデルに依存しないため,どのブラックボックスの行列補完アルゴリズムと組み合わせて,グループレベルの推薦に対して信頼性の高い不確実性推定を行うことができる。
論文 参考訳(メタデータ) (2024-04-26T17:42:29Z) - A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳(メタデータ) (2024-01-26T14:21:45Z) - Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。
偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。
本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳(メタデータ) (2022-09-22T09:04:10Z) - GroupifyVAE: from Group-based Definition to VAE-based Unsupervised
Representation Disentanglement [91.9003001845855]
他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。
グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。
提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
論文 参考訳(メタデータ) (2021-02-20T09:49:51Z) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳(メタデータ) (2020-06-14T14:50:02Z) - Model-agnostic Feature Importance and Effects with Dependent Features --
A Conditional Subgroup Approach [0.7349727826230864]
条件部分群における置換に基づく条件分布の新しいサンプリング機構を提案する。
これらの部分群は決定木(変換木)を用いて構築されるので、条件付けは本質的に解釈可能である。
本研究では,条件付きサブグループに基づくPFIとPDPが,ノックオフに基づく条件付きPFIなど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) (2020-06-08T14:26:45Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳(メタデータ) (2020-03-02T15:21:20Z)
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。