論文の概要: Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2509.24962v1
- Date: Mon, 29 Sep 2025 15:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:20.108362
- Title: Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation
- Title（参考訳）: 条件付き平均処理効果推定のためのオーバーラップ適応正規化
- Authors: Valentyn Melnychuk, Dennis Frauen, Jonas Schweisthal, Stefan Feuerriegel,
- Abstract要約: CATE推定のための最先端の手法は、しばしば低い重なり合いの存在下では性能が良くない。
重み付け重み付けに比例して対象モデルを正規化するオーバーラップ適応正規化(OAR)を導入する。
我々のOARは定値化に比べて低オーバーラップ設定でのCATE推定を大幅に改善する。
- 参考スコア（独自算出の注目度）: 59.153491256972806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The conditional average treatment effect (CATE) is widely used in personalized medicine to inform therapeutic decisions. However, state-of-the-art methods for CATE estimation (so-called meta-learners) often perform poorly in the presence of low overlap. In this work, we introduce a new approach to tackle this issue and improve the performance of existing meta-learners in the low-overlap regions. Specifically, we introduce Overlap-Adaptive Regularization (OAR) that regularizes target models proportionally to overlap weights so that, informally, the regularization is higher in regions with low overlap. To the best of our knowledge, our OAR is the first approach to leverage overlap weights in the regularization terms of the meta-learners. Our OAR approach is flexible and works with any existing CATE meta-learner: we demonstrate how OAR can be applied to both parametric and non-parametric second-stage models. Furthermore, we propose debiased versions of our OAR that preserve the Neyman-orthogonality of existing meta-learners and thus ensure more robust inference. Through a series of (semi-)synthetic experiments, we demonstrate that our OAR significantly improves CATE estimation in low-overlap settings in comparison to constant regularization.
- Abstract（参考訳）: 条件平均治療効果(英: Conditional average treatment effect, CATE)は、パーソナライズド医療において、治療決定を伝えるために広く用いられる。
しかし、CATE推定の最先端手法(いわゆるメタラーナー)は、重複度が低い場合には性能が良くないことが多い。
本研究では,この問題に対処する新しいアプローチを導入し,低オーバーラップ領域における既存のメタラーナーの性能を向上させる。
具体的には、オーバラップ適応正規化(OAR)を導入し、オーバラップの重み付けに比例してターゲットモデルを正規化する。
我々の知る限りでは、OARはメタラーナーの正規化項における重み付けを活用するための最初のアプローチである。
当社のOARアプローチは柔軟で,既存のCATEメタラーナと連携しています。パラメトリックモデルと非パラメトリック2段モデルの両方にOARを適用する方法を示します。
さらに,既存のメタラーナーのNeyman-orthogonalityを保ち,より堅牢な推論を可能にするOARのデバイアスバージョンを提案する。
半合成実験により,OARは一定規則化よりも低オーバーラップ条件下でのCATE推定を著しく改善することを示した。
関連論文リスト
- Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects [1.9506923346234724]
観測データから条件平均治療効果(CATE)を推定するには、教師付き学習とは異なる決定をモデル化する必要がある。
従来のアプローチは、2つの主要な「メタ・ラーナー」パラダイムに分類することができる。
データセットに応じて直接正規化と間接正規化を補間する新しい正規化戦略であるHybrid Learner(H-learner)を導入する。
論文 参考訳（メタデータ） (2025-06-16T16:37:20Z) - 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) - Improving the Estimation of Lifetime Effects in A/B Testing via Treatment Locality [16.36651676133996]
マルコフ決定過程における一般A/Bテストのための最適推論手法を開発した。
本研究では,非ターゲット状態の情報を共有することで,局所構造を利用する手法を提案する。
偏見を増大させることなく情報共有による分散低減の恩恵を受けることができることを示す。
論文 参考訳（メタデータ） (2024-07-29T00:41:11Z) - Conformal Meta-learners for Predictive Inference of Individual Treatment
Effects [0.0]
個別処理効果(ITE)における機械学習(ML)予測の問題点について検討する。
我々は,CATEメタラーナー上に標準共形予測(CP)手法を適用することで,ITTの予測区間を発行する一般的なフレームワークである共形メタラーナーを開発する。
論文 参考訳（メタデータ） (2023-08-28T20:32:22Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - An Investigation of the Bias-Variance Tradeoff in Meta-Gradients [53.28925387487846]
ヘッセン推定は常にバイアスを追加し、メタ階調推定に分散を加えることもできる。
提案手法は, 乱れたバックプロパゲーションとサンプリング補正から生じるバイアスとばらつきのトレードオフについて検討する。
論文 参考訳（メタデータ） (2022-09-22T20:33:05Z) - Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。
視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
論文 参考訳（メタデータ） (2022-07-05T15:39:29Z) - Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。
実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文 参考訳（メタデータ） (2021-12-10T20:46:13Z)
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。