論文の概要: Learning Subgroups with Maximum Treatment Effects without Causal Heuristics

• arxiv url: http://arxiv.org/abs/2511.20189v1
• Date: Tue, 25 Nov 2025 11:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.419631
• Title: Learning Subgroups with Maximum Treatment Effects without Causal Heuristics
• Title（参考訳）: 因果ヒューリスティックスを伴わない最大治療効果をもつサブグループ学習
• Authors: Lincen Yang, Zhong Li, Matthijs van Leeuwen, Saber Salehkaleybar,
• Abstract要約: 最適部分群探索は、データ生成モデルの回復を減らし、従って標準教師付き学習問題となる。 この手法をCART(おそらく最も広く使われている木に基づく手法の1つである)でインスタンス化し、最大限の処理効果でサブグループを学習する。
• 参考スコア（独自算出の注目度）: 16.087398572596587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering subgroups with the maximum average treatment effect is crucial for targeted decision making in domains such as precision medicine, public policy, and education. While most prior work is formulated in the potential outcome framework, the corresponding structural causal model (SCM) for this task has been largely overlooked. In practice, two approaches dominate. The first estimates pointwise conditional treatment effects and then fits a tree on those estimates, effectively turning subgroup estimation into the harder problem of accurate pointwise estimation. The second constructs decision trees or rule sets with ad-hoc 'causal' heuristics, typically without rigorous justification for why a given heuristic may be used or whether such heuristics are necessary at all. We address these issues by studying the problem directly under the SCM framework. Under the assumption of a partition-based model, we show that optimal subgroup discovery reduces to recovering the data-generating models and hence a standard supervised learning problem (regression or classification). This allows us to adopt any partition-based methods to learn the subgroup from data. We instantiate the approach with CART, arguably one of the most widely used tree-based methods, to learn the subgroup with maximum treatment effect. Finally, on a large collection of synthetic and semi-synthetic datasets, we compare our method against a wide range of baselines and find that our approach, which avoids such causal heuristics, more accurately identifies subgroups with maximum treatment effect. Our source code is available at https://github.com/ylincen/causal-subgroup.
• Abstract（参考訳）: 治療効果が最大となるサブグループは, 精密医療, 公共政策, 教育などの分野における目標決定に不可欠である。 多くの先行研究は潜在的な成果の枠組みで定式化されているが、それに対応する構造因果モデル(SCM)は概ね見過ごされている。 実際には2つのアプローチが支配的だ。 第1の条件付き条件付き処理効果を推定し、その推定値に木を適合させることにより、部分群推定を正確なポイントワイズ推定の難しい問題に効果的に変換する。 第2の構成要素は、決定木やルールセットにアドホックな「因果的」ヒューリスティック(英: 'causal' Heuristics)をセットしたもので、通常、あるヒューリスティックがなぜ使われるのか、あるいはそのようなヒューリスティックが全く必要かという厳密な正当化は行わない。 本稿では,これらの問題をSCMフレームワーク上で直接研究することによって解決する。 分割モデルに基づく仮定では、最適部分群探索はデータ生成モデルの回復に還元され、従って標準的な教師付き学習問題(回帰や分類)となる。 これにより、データからサブグループを学ぶために、パーティションベースのメソッドを採用することができます。 この手法をCART(おそらく最も広く使われている木に基づく手法の1つである)でインスタンス化し、最大限の処理効果でサブグループを学習する。 最後に、合成および半合成データセットの大規模なコレクションにおいて、我々の手法を幅広いベースラインと比較し、そのような因果ヒューリスティックスを避けるアプローチが、最大限の処理効果を持つサブグループをより正確に同定することを発見した。 ソースコードはhttps://github.com/ylincen/causal-subgroup.comで公開しています。

関連論文リスト

• Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery [5.669361767058639]
  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。
  論文  参考訳（メタデータ） (2025-09-06T17:01:23Z)
• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Causal K-Means Clustering [5.087519744951637]
  Causal k-Means Clusteringは、広く使われているk-means Clusteringアルゴリズムを利用して、未知の部分群構造を明らかにする。 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。 提案手法は,複数の治療レベルを有する近代的な結果研究に特に有用である。
  論文  参考訳（メタデータ） (2024-05-05T23:59:51Z)
• 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)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• 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。