論文の概要: Identifying counterfactual probabilities using bivariate distributions and uplift modeling

• arxiv url: http://arxiv.org/abs/2512.08805v1
• Date: Tue, 09 Dec 2025 16:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.055289
• Title: Identifying counterfactual probabilities using bivariate distributions and uplift modeling
• Title（参考訳）: 二変量分布と昇降モデルを用いた反事実確率の同定
• Authors: Théo Verhelst, Gianluca Bontempi,
• Abstract要約: 昇降モデリングは、介入の因果効果を、治療中の潜在的な結果とコントロールの間の相違として推定する。 カウンターファクト識別は、これらの潜在的な結果の結合分布を回復することを目的としている。
• 参考スコア（独自算出の注目度）: 1.519321208145928
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Uplift modeling estimates the causal effect of an intervention as the difference between potential outcomes under treatment and control, whereas counterfactual identification aims to recover the joint distribution of these potential outcomes (e.g., "Would this customer still have churned had we given them a marketing offer?"). This joint counterfactual distribution provides richer information than the uplift but is harder to estimate. However, the two approaches are synergistic: uplift models can be leveraged for counterfactual estimation. We propose a counterfactual estimator that fits a bivariate beta distribution to predicted uplift scores, yielding posterior distributions over counterfactual outcomes. Our approach requires no causal assumptions beyond those of uplift modeling. Simulations show the efficacy of the approach, which can be applied, for example, to the problem of customer churn in telecom, where it reveals insights unavailable to standard ML or uplift models alone.
• Abstract（参考訳）: アップリフト・モデリングは、介入の因果効果を、治療と管理における潜在的成果の相違として見積もっているが、反ファクト的識別は、これらの潜在的な成果の連関分布を回復することを目的としている(例えば、「この顧客がまだ、マーケティングのオファーをすれば、この顧客は混乱しているのだろうか」)。 この連立対物分布は上昇よりもリッチな情報を提供するが、推定は困難である。 しかし、2つのアプローチは相乗的であり、アップリフトモデルは反事実推定に利用することができる。 本稿では,2変数のベータ分布を予測したアップリフトスコアに適合させ,逆ファクト結果に対する後続分布を導出する逆ファクトリアル推定器を提案する。 私たちのアプローチでは、アップリフトモデリング以上の因果仮定は必要ありません。 シミュレーションでは、標準的なMLや隆起モデルだけでは利用できない洞察を明らかにするテレコムにおける顧客の混乱の問題に、例えば適用可能なアプローチの有効性が示される。

関連論文リスト

• Causal Inference under Threshold Manipulation: Bayesian Mixture Modeling and Heterogeneous Treatment Effects [0.25782420501870296]
  しきい値操作下での因果効果を推定するための新しい枠組みを提案する。 主な考え方は、観測された消費分布を2つの分布の混合としてモデル化することである。 以上より,大試料下での因果効果の後方収縮が観察された。
  論文  参考訳（メタデータ） (2025-09-24T06:52:53Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
  最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。 これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。 我々はこれらの考え方を非政治評価フレームワークに一般化する。
  論文  参考訳（メタデータ） (2022-11-02T23:39:36Z)
• Mandoline: Model Evaluation under Distribution Shift [8.007644303175395]
  マシンラーニングモデルは、トレーニングや検証対象と異なる設定でデプロイされることが多い。 これらの問題を緩和する新しい評価フレームワークであるMandolineを開発した。 ユーザーは単純な"スライシング関数" - ノイズがあり、分散シフトの可能な軸をキャプチャすることを目的とした、潜在的に相関したバイナリ関数を書く。
  論文  参考訳（メタデータ） (2021-07-01T17:57:57Z)
• 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)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• Model updating after interventions paradoxically introduces bias [2.089458396525051]
  最近の議論は、二進的な結果に対する予測スコアの更新における潜在的な問題を浮き彫りにした。 この設定では、既存のスコアは、元のスコアが置き換えられたときに誤校正につながる追加の因果経路を誘導する。 本稿では,この問題を記述・解決するための一般的な因果的枠組みを提案し,部分的に観察されたマルコフ決定過程として等価な定式化を実証する。
  論文  参考訳（メタデータ） (2020-10-22T08:43:29Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。