論文の概要: Overlap-weighted orthogonal meta-learner for treatment effect estimation over time

• arxiv url: http://arxiv.org/abs/2510.19643v1
• Date: Wed, 22 Oct 2025 14:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.93233
• Title: Overlap-weighted orthogonal meta-learner for treatment effect estimation over time
• Title（参考訳）: 経時的治療効果推定のためのオーバーラップ重み付き直交メタラーナ
• Authors: Konstantin Hess, Dennis Frauen, Mihaela van der Schaar, Stefan Feuerriegel,
• Abstract要約: ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 90.46786193198744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating heterogeneous treatment effects (HTEs) in time-varying settings is particularly challenging, as the probability of observing certain treatment sequences decreases exponentially with longer prediction horizons. Thus, the observed data contain little support for many plausible treatment sequences, which creates severe overlap problems. Existing meta-learners for the time-varying setting typically assume adequate treatment overlap, and thus suffer from exploding estimation variance when the overlap is low. To address this problem, we introduce a novel overlap-weighted orthogonal (WO) meta-learner for estimating HTEs that targets regions in the observed data with high probability of receiving the interventional treatment sequences. This offers a fully data-driven approach through which our WO-learner can counteract instabilities as in existing meta-learners and thus obtain more reliable HTE estimates. Methodologically, we develop a novel Neyman-orthogonal population risk function that minimizes the overlap-weighted oracle risk. We show that our WO-learner has the favorable property of Neyman-orthogonality, meaning that it is robust against misspecification in the nuisance functions. Further, our WO-learner is fully model-agnostic and can be applied to any machine learning model. Through extensive experiments with both transformer and LSTM backbones, we demonstrate the benefits of our novel WO-learner.
• Abstract（参考訳）: 時間的に異なる条件下での不均一な処理効果(HTE)を推定することは特に困難である。 このように、観測されたデータは、多くのプラウチブルな処理シーケンスをほとんどサポートしていないため、重なり合う問題が発生する。 既存のメタラーナーは、一般的に適切な処理重複を前提としており、オーバーラップが低い場合には、推定分散が爆発する。 この問題に対処するために, 干渉処理シーケンスを受信する確率の高い観測データ中の領域を対象とするHTEを推定するための, オーバーラップ重み付き直交型メタラーナ(WO)を導入する。 これにより、WO-Learnerが既存のメタ学習者のように不安定を防止し、より信頼性の高いHTE推定値を得ることができる、完全なデータ駆動型アプローチが提供される。 方法として,重なり重なり合うオラクルリスクを最小限に抑える新しいNeyman-orthogonal population risk関数を開発した。 我々のWO-learnerは、Neyman-orthogonalityの好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢であることを示す。 さらに、我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用できる。 トランスとLSTMのバックボーンを用いた広範囲な実験を通じて、我々は新しいWO-learnerの利点を実証した。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
  我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。 このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2024-05-28T14:12:25Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects [2.294014185517203]
  条件平均処理効果(CATE)の推定は、観測データによる因果推論における主な課題の1つである。 メタラーナーと呼ばれる非パラメトリック推定器は、特定の教師付き学習方法に対する推定を抑えない主な利点として、CATEを推定するために開発された。 本稿では,多値処理の異種効果を推定するためのメタラーナーについて検討する。
  論文  参考訳（メタデータ） (2022-05-29T16:46:21Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)

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。