論文の概要: Good Allocations from Bad Estimates

• arxiv url: http://arxiv.org/abs/2601.05597v1
• Date: Fri, 09 Jan 2026 07:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.896043
• Title: Good Allocations from Bad Estimates
• Title（参考訳）: 悪い見積から良い割当
• Authors: Sílvia Casacuberta, Moritz Hardt,
• Abstract要約: 条件平均処理効果推定は、異種集団に対する治療を対象とするデファクトゴールド標準である。 治療効果の自然分布について,O(M/)$サンプルだけで同じ治療効果が得られることを示す。
• 参考スコア（独自算出の注目度）: 32.89611771415222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional average treatment effect (CATE) estimation is the de facto gold standard for targeting a treatment to a heterogeneous population. The method estimates treatment effects up to an error $ε> 0$ in each of $M$ different strata of the population, targeting individuals in decreasing order of estimated treatment effect until the budget runs out. In general, this method requires $O(M/ε^2)$ samples. This is best possible if the goal is to estimate all treatment effects up to an $ε$ error. In this work, we show how to achieve the same total treatment effect as CATE with only $O(M/ε)$ samples for natural distributions of treatment effects. The key insight is that coarse estimates suffice for near-optimal treatment allocations. In addition, we show that budget flexibility can further reduce the sample complexity of allocation. Finally, we evaluate our algorithm on various real-world RCT datasets. In all cases, it finds nearly optimal treatment allocations with surprisingly few samples. Our work highlights the fundamental distinction between treatment effect estimation and treatment allocation: the latter requires far fewer samples.
• Abstract（参考訳）: 条件平均処理効果(CATE)推定は、異種集団に対する治療を対象とするデファクトゴールド標準である。 本手法は, 推定処理効果の順序を減らし, 予算が終了するまで, 平均処理効果の誤差を最大$ε>0$と推定する。 一般に、この方法は$O(M/ε^2)$サンプルを必要とする。 これは、すべての治療効果を最大$ε$エラーまで見積もることが目的であれば最もよい。 本研究では, 処理効果の自然分布に対するO(M/ε)$サンプルのみを用いて, CATEと同じ全処理効果を達成する方法を示す。 重要な洞察は、粗い見積もりは、ほぼ最適の処理割り当てに十分であるということである。 さらに、予算の柔軟性により、アロケーションのサンプルの複雑さをさらに軽減できることを示す。 最後に,実世界のRCTデータセットを用いてアルゴリズムの評価を行った。 いずれの場合も、驚くほど少ないサンプルで、ほぼ最適な治療アロケーションが見つかる。 我々の研究は、治療効果の推定と治療割り当ての根本的な違いを強調している:後者は、はるかに少ないサンプルを必要とする。

関連論文リスト

• Enhancing Treatment Effect Estimation via Active Learning: A Counterfactual Covering Perspective [61.284843894545475]
  治療効果推定のための複雑なアルゴリズムは、不十分なラベル付きトレーニングセットを扱う際には効果がない。 我々は,最適化目標をtextitFactual と textitCounterfactual Coverage Maximization に変換して,データ取得時の有効半径削減を実現するFCCMを提案する。 FCCMを他のベースラインに対してベンチマークすることは、完全に合成されたデータセットと半合成されたデータセットの両方にその優位性を示す。
  論文  参考訳（メタデータ） (2025-05-08T13:42:00Z)
• Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials [1.3461364647443341]
  本稿は, テクスティカル・テリマンドで実現可能な不確実性低減を定量化し, デジタル・ツインズを用いた場合の潜在的なバイアスに注意する。
  論文  参考訳（メタデータ） (2024-11-14T18:01:02Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Sample Constrained Treatment Effect Estimation [28.156207324508706]
  我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。 特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
  論文  参考訳（メタデータ） (2022-10-12T21:13:47Z)
• 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)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation [0.0]
  因果的データから因果的治療効果を推定することは因果的推論の根本的な問題である。 治療コホートにまたがる結果を含む共通の目的関数を提案する。 治療効果評価実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-11-03T19:54:16Z)

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。