論文の概要: Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning

• arxiv url: http://arxiv.org/abs/2509.19490v2
• Date: Thu, 25 Sep 2025 21:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 12:12:20.320347
• Title: Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning
• Title（参考訳）: Chiseling: インタラクティブ機械学習によるパワフルで有効なサブグループ選択
• Authors: Nathan Cheng, Asher Spector, Lucas Janson,
• Abstract要約: 回帰と因果推論において、制御されたサブグループ選択は、与えられた閾値を超える平均応答または治療効果を持つサブグループを特定することを目的としている。 そこで本研究では,解析者が反復的に縮小することで,候補サブグループをインタラクティブに洗練し,検証することを可能にする,Chiselingと呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.170797040538138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In regression and causal inference, controlled subgroup selection aims to identify, with inferential guarantees, a subgroup (defined as a subset of the covariate space) on which the average response or treatment effect is above a given threshold. E.g., in a clinical trial, it may be of interest to find a subgroup with a positive average treatment effect. However, existing methods either lack inferential guarantees, heavily restrict the search for the subgroup, or sacrifice efficiency by naive data splitting. We propose a novel framework called chiseling that allows the analyst to interactively refine and test a candidate subgroup by iteratively shrinking it. The sole restriction is that the shrinkage direction only depends on the points outside the current subgroup, but otherwise the analyst may leverage any prior information or machine learning algorithm. Despite this flexibility, chiseling controls the probability that the discovered subgroup is null (e.g., has a non-positive average treatment effect) under minimal assumptions: for example, in randomized experiments, this inferential validity guarantee holds under only bounded moment conditions. When applied to a variety of simulated datasets and a real survey experiment, chiseling identifies substantially better subgroups than existing methods with inferential guarantees.
• Abstract（参考訳）: 回帰および因果推論において、制御された部分群選択は、所定のしきい値を超える平均応答または治療効果を持つ部分群(共変空間の部分集合として定義される)を特定することを目的としている。 例えば、臨床試験では、肯定的な平均治療効果を持つサブグループを見つけることが興味があるかもしれない。 しかし、既存の方法は推論保証を欠いているか、サブグループの探索を厳しく制限しているか、データ分割によって効率を犠牲にするかのいずれかである。 そこで本研究では,解析者が反復的に縮小することで,候補サブグループをインタラクティブに洗練し,検証することを可能にする,Chiselingと呼ばれる新しいフレームワークを提案する。 唯一の制限は、縮小方向が現在のサブグループ以外の点のみに依存することである。 この柔軟性にもかかわらず、チャーゼリングは最小の仮定の下で発見された部分群がnullである確率(例えば、非正の平均処理効果を持つ)を制御している。 様々なシミュレーションデータセットや実際のサーベイ実験に適用すると、チーズリングは推論保証を持つ既存の方法よりもはるかに優れたサブグループを識別する。

関連論文リスト

• An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-13T05:01:48Z)
• 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)
• Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning [0.5989855268111279]
  我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。 我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
  論文  参考訳（メタデータ） (2023-10-12T01:41:47Z)
• 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)
• Finding Subgroups with Significant Treatment Effects [20.457122933924463]
  ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。 パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。 統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
  論文  参考訳（メタデータ） (2021-03-12T03:36:03Z)
• 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)

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。