論文の概要: Kernel Treatment Effects with Adaptively Collected Data

• arxiv url: http://arxiv.org/abs/2510.10245v1
• Date: Sat, 11 Oct 2025 15:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.855975
• Title: Kernel Treatment Effects with Adaptively Collected Data
• Title（参考訳）: 適応収集データによるカーネル処理効果
• Authors: Houssam Zenati, Bariscan Bozkurt, Arthur Gretton,
• Abstract要約: 本稿では,適応データ収集における分散推論のための最初のカーネルベース推論フレームワークを提案する。 本手法は,Hilbert-space Martingale CLTによる2つの頑健なスコアと分散安定化を組み合わせることで,正規性を確保する。 実験により、平均シフトとより高いモーメント差の両方に有効かつ効果的であることが示されている。
• 参考スコア（独自算出の注目度）: 23.3862001690226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive experiments improve efficiency by adjusting treatment assignments based on past outcomes, but this adaptivity breaks the i.i.d. assumptions that underpins classical asymptotics. At the same time, many questions of interest are distributional, extending beyond average effects. Kernel treatment effects (KTE) provide a flexible framework by representing counterfactual outcome distributions in an RKHS and comparing them via kernel distances. We present the first kernel-based framework for distributional inference under adaptive data collection. Our method combines doubly robust scores with variance stabilization to ensure asymptotic normality via a Hilbert-space martingale CLT, and introduces a sample-fitted stabilized test with valid type-I error. Experiments show it is well calibrated and effective for both mean shifts and higher-moment differences, outperforming adaptive baselines limited to scalar effects.
• Abstract（参考訳）: 適応的な実験は過去の結果に基づいて治療課題を調整することで効率を向上させるが、この適応性は古典的な漸近を基盤とするi.d.仮定を破る。 同時に、多くの関心事の質問は分布的であり、平均的な効果を超えている。 カーネル処理効果(KTE)は、RKHS内の反実効分布を表現し、カーネル距離で比較することで柔軟なフレームワークを提供する。 本稿では,適応データ収集における分散推論のための最初のカーネルベースのフレームワークを提案する。 本手法は,Hilbert-space Martingale CLTによる2重頑健なスコアと分散安定化を併用し,サンプル適合型安定化試験と有効な型I誤差を導入する。 実験により、平均シフトと高モーメント差の両方に対して十分に校正され、有効であることが示され、スカラー効果に制限された適応ベースラインよりも優れていた。

関連論文リスト

• On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization [6.324765782436764]
  既製の機械学習手法を利用したフレキシブルな分散回帰フレームワークを提案する。 提案する推定器の分布を確立し,有効な推論手順を導入する。
  論文  参考訳（メタデータ） (2025-06-06T10:14:38Z)
• Efficient Adaptive Experimentation with Non-Compliance [39.43227019824619]
  本研究では, 適応実験における平均治療効果 (ATE) の推定問題について検討する。 AMRIV は最適アロケーションを (ii) 乗算整合性を維持しつつ半パラメトリック効率を達成できる逐次的影響関数に基づく推定器で適応的に近似するオンラインポリシーである。
  論文  参考訳（メタデータ） (2025-05-23T04:49:14Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• On the Role of Surrogates in Conformal Inference of Individual Causal Effects [0.0]
  UnderlineEfficient IunderlineNdividual UnderlineCausal UnderlineEffects (SCIENCE) に対する UnderlineSurrogate-assisted Underline Conformal Underline Inference を導入する。 SCIENCEは、個々の治療効果(ITE)に対してより効率的な予測間隔を構築するために設計されたフレームワークである。 これは第3相であるModerna COVE COVID-19ワクチンの臨床試験に適用される。
  論文  参考訳（メタデータ） (2024-12-16T21:36:11Z)
• Fused Extended Two-Way Fixed Effects for Difference-in-Differences With Staggered Adoptions [0.0]
  FETWFE (Fused extended two-way fixed effect) を用いた1つのチューニングパラメータを持つ機械学習推定器を提案する。 FETWFEは、適切な空間的仮定の下で、確率が1の傾向の正しい制限を識別し、効率を向上することを示す。 本稿では,FETWFEとFETWFEを融合した2方向固定効果を実装したRパッケージを提案する。
  論文  参考訳（メタデータ） (2023-12-10T20:16:39Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。