論文の概要: Multi-Treatment-DML: Causal Estimation for Multi-Dimensional Continuous Treatments with Monotonicity Constraints in Personal Loan Risk Optimization
- arxiv url: http://arxiv.org/abs/2508.02183v2
- Date: Mon, 11 Aug 2025 03:13:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 13:12:52.246201
- Title: Multi-Treatment-DML: Causal Estimation for Multi-Dimensional Continuous Treatments with Monotonicity Constraints in Personal Loan Risk Optimization
- Title（参考訳）: マルチTreatment-DML:個人ローンリスク最適化における単調性制約付き多次元連続処理の因果推定
- Authors: Kexin Zhao, Bo Wang, Cuiying Zhao, Tongyao Wan,
- Abstract要約: 既存の因果的手法は、主にバイナリ/離散的処理を扱い、連続した多次元的な設定に苦しむ。
本稿では,DML(Double Machine Learning)を利用した任意の次元連続処理のための新しいフレームワークであるMulti-Treatment-DMLを提案する。
公開ベンチマークと実世界の産業データセットに関する大規模な実験は、我々のアプローチの有効性を実証している。
- 参考スコア（独自算出の注目度）: 3.7214885456995783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing credit limits, interest rates, and loan terms is crucial for managing borrower risk and lifetime value (LTV) in personal loan platform. However, counterfactual estimation of these continuous, multi-dimensional treatments faces significant challenges: randomized trials are often prohibited by risk controls and long repayment cycles, forcing reliance on biased observational data. Existing causal methods primarily handle binary/discrete treatments and struggle with continuous, multi-dimensional settings. Furthermore, financial domain knowledge mandates provably monotonic treatment-outcome relationships (e.g., risk increases with credit limit).To address these gaps, we propose Multi-Treatment-DML, a novel framework leveraging Double Machine Learning (DML) to: (i) debias observational data for causal effect estimation; (ii) handle arbitrary-dimensional continuous treatments; and (iii) enforce monotonic constraints between treatments and outcomes, guaranteeing adherence to domain requirements.Extensive experiments on public benchmarks and real-world industrial datasets demonstrate the effectiveness of our approach. Furthermore, online A/B testing conducted on a realworld personal loan platform, confirms the practical superiority of Multi-Treatment-DML in real-world loan operations.
- Abstract（参考訳）: 個人ローンプラットフォームにおける借り手リスクと寿命価値(LTV)を管理するためには、信用限度、金利、ローン条件の最適化が不可欠である。
ランダム化試験はリスクコントロールや長期返済サイクルによってしばしば禁止され、偏りのある観察データに頼らざるを得ない。
既存の因果的手法は、主にバイナリ/離散的処理を扱い、連続した多次元的な設定に苦しむ。
さらに、金融分野の知識は、確実に単調な処理-アウトカム関係(例えば、信用限度によるリスク増加)を課す。
これらのギャップに対処するために、Double Machine Learning(DML)を利用した新しいフレームワークであるMulti-Treatment-DMLを提案する。
一 因果効果推定のためのバイアス観測データ
二 任意次元の連続処理を取り扱うこと、及び
3) 処理と結果のモノトニックな制約を強制し, ドメイン要件の遵守を保証し, 公開ベンチマークと実世界の産業データセットを用いた大規模な実験により, このアプローチの有効性を実証した。
さらに、実世界の個人ローンプラットフォーム上でのオンラインA/Bテストは、実世界のローン運用におけるマルチトレーメント-DMLの実用上の優位性を確認する。
関連論文リスト
- RBF++: Quantifying and Optimizing Reasoning Boundaries across Measurable and Unmeasurable Capabilities for Chain-of-Thought Reasoning [60.84707424369494]
CoT(Chain-of-Thought)推論は、複雑なタスクにおける大規模言語モデル(LLM)の強化に有効であることが証明されている。
CoT 機能の計測可能なバウンダリの評価と最適化を行うフレームワークである Reasoning Boundary Framework++ (RBF++) を紹介する。
論文 参考訳（メタデータ） (2025-05-19T16:25:55Z) - Continual Multimodal Contrastive Learning [70.60542106731813]
マルチモーダル・コントラッシブ・ラーニング(MCL)は、異なるモーダルを整列させ、関節空間で多モーダル表現を生成する。
マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。
本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。
理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
論文 参考訳（メタデータ） (2025-03-19T07:57:08Z) - FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。
FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
論文 参考訳（メタデータ） (2025-02-26T05:19:16Z) - Estimating the treatment effect over time under general interference through deep learner integrated TMLE [7.2615408834692685]
DeepNetTMLE(DeepNetTMLE)は,ディープラーニングによる最大等量推定(TMLE)手法である。
DeepNetTMLEは、一般的な干渉の下で、時間によって変化する共同創設者のバイアスを軽減する。
我々は,DeepNetTMLEが,反実推定においてより低いバイアスとより正確な信頼区間を実現することを示す。
論文 参考訳（メタデータ） (2024-12-06T06:09:43Z) - Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。
我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。
因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文 参考訳（メタデータ） (2023-12-15T22:04:53Z) - Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders [15.41689729746877]
実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。
隠れた共同創設者の存在は 偏見のある治療推定につながる
不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
論文 参考訳（メタデータ） (2023-03-04T04:55:34Z) - Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。
制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩
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は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
論文 参考訳（メタデータ） (2023-02-19T00:28:20Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Robust Causal Learning for the Estimation of Average Treatment Effects [14.96459402684986]
本稿では,Double/Debiased Machine Learning (DML) 推定器の欠陥を相殺するRobust Causal Learning (RCL) 手法を提案する。
実験の結果,RCL推定器はDML推定器よりも,因果パラメータの安定な推定を行うことがわかった。
論文 参考訳（メタデータ） (2022-09-05T07:35:58Z) - On Continual Model Refinement in Out-of-Distribution Data Streams [64.62569873799096]
現実世界の自然言語処理(NLP)モデルは、アウト・オブ・ディストリビューション(OOD)データストリームの予測エラーを修正するために、継続的に更新する必要がある。
既存の継続学習(CL)問題設定は、そのような現実的で複雑なシナリオをカバーできない。
連続モデル改良(CMR)と呼ばれる新しいCL問題定式化を提案する。
論文 参考訳（メタデータ） (2022-05-04T11:54:44Z)
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。