論文の概要: Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery

• arxiv url: http://arxiv.org/abs/2509.05775v1
• Date: Sat, 06 Sep 2025 17:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.705952
• Title: Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
• Title（参考訳）: 条件付き平均処理効果推定とサブグループ発見のための因果クラスタリング
• Authors: Zilong Wang, Turgay Ayer, Shihao Yang,
• Abstract要約: パーソナライズされた医療、資源配分、政策評価などの領域では、不均一な治療効果の推定が重要である。 因果樹林から派生した学習カーネルを用いて,推定処理効果に基づいて個人をクラスタリングする新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 5.669361767058639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating heterogeneous treatment effects is critical in domains such as personalized medicine, resource allocation, and policy evaluation. A central challenge lies in identifying subpopulations that respond differently to interventions, thereby enabling more targeted and effective decision-making. While clustering methods are well-studied in unsupervised learning, their integration with causal inference remains limited. We propose a novel framework that clusters individuals based on estimated treatment effects using a learned kernel derived from causal forests, revealing latent subgroup structures. Our approach consists of two main steps. First, we estimate debiased Conditional Average Treatment Effects (CATEs) using orthogonalized learners via the Robinson decomposition, yielding a kernel matrix that encodes sample-level similarities in treatment responsiveness. Second, we apply kernelized clustering to this matrix to uncover distinct, treatment-sensitive subpopulations and compute cluster-level average CATEs. We present this kernelized clustering step as a form of regularization within the residual-on-residual regression framework. Through extensive experiments on semi-synthetic and real-world datasets, supported by ablation studies and exploratory analyses, we demonstrate the effectiveness of our method in capturing meaningful treatment effect heterogeneity.
• Abstract（参考訳）: パーソナライズされた医療、資源配分、政策評価などの領域では、不均一な治療効果の推定が重要である。 中心的な課題は、介入に対して異なる反応をするサブ集団を特定することであり、それによってより標的的で効果的な意思決定を可能にする。 クラスタリング手法は教師なし学習においてよく研究されているが、因果推論との統合は限定的である。 因果樹林から派生した学習カーネルを用いて,推定処理効果に基づいて個人をクラスタリングし,潜在サブグループ構造を明らかにする新しい枠組みを提案する。 私たちのアプローチは2つの主要なステップから構成されます。 まず、ロビンソン分解を用いて直交学習者を用いて、デバイアスド条件平均処理効果(CATE)を推定し、処理応答性においてサンプルレベルの類似性を符号化したカーネル行列を生成する。 第二に、この行列にカーネルクラスタリングを適用して、個別で治療に敏感なサブポピュレーションとクラスタレベルの平均CATEを明らかにする。 本稿では、残差回帰フレームワークにおける正規化の一形態として、このカーネル化されたクラスタリングステップを提案する。 半合成および実世界のデータセットに関する広範な実験を通じて、アブレーション研究と探索分析によって支援され、本手法が有意義な処理効果の不均一性を捉える上での有効性を実証した。

関連論文リスト

• M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model [11.977166290154125]
  異種間接および全治療効果を推定するための新しい手法 M-learner を提案する。 私たちの知る限りでは、メディエーションの存在下での治療効果の不均一性を捉えるために特別に設計された最初のアプローチである。
  論文  参考訳（メタデータ） (2025-05-23T13:57:23Z)
• Transfer Learning of CATE with Kernel Ridge Regression [4.588222946914528]
  カーネルリッジ回帰(KRR)を用いた条件平均処理効果(CATE)の重畳適応変換学習法を提案する。 我々は, 弱い重なり合いとCATE関数の複雑さの両方に対する適応性を強調した, 急激な非漸近的MSE境界による手法の理論的正当性を提供する。
  論文  参考訳（メタデータ） (2025-02-17T01:07:45Z)
• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• 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)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• 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)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。