論文の概要: Rank-Learner: Orthogonal Ranking of Treatment Effects

• arxiv url: http://arxiv.org/abs/2602.03517v1
• Date: Tue, 03 Feb 2026 13:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.471591
• Title: Rank-Learner: Orthogonal Ranking of Treatment Effects
• Title（参考訳）: ランクラーナー:治療効果の直交ランク付け
• Authors: Henri Arno, Dennis Frauen, Emil Javurek, Thomas Demeester, Stefan Feuerriegel,
• Abstract要約: 意思決定問題は、正確な効果の大きさを推定するよりも、治療効果によって個人をランク付けする必要がある。 観察データから治療効果のランキングを直接学習する新しい2段階学習者であるランクラーナーを紹介する。
• 参考スコア（独自算出の注目度）: 45.28106753207024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many decision-making problems require ranking individuals by their treatment effects rather than estimating the exact effect magnitudes. Examples include prioritizing patients for preventive care interventions, or ranking customers by the expected incremental impact of an advertisement. Surprisingly, while causal effect estimation has received substantial attention in the literature, the problem of directly learning rankings of treatment effects has largely remained unexplored. In this paper, we introduce Rank-Learner, a novel two-stage learner that directly learns the ranking of treatment effects from observational data. We first show that naive approaches based on precise treatment effect estimation solve a harder problem than necessary for ranking, while our Rank-Learner optimizes a pairwise learning objective that recovers the true treatment effect ordering, without explicit CATE estimation. We further show that our Rank-Learner is Neyman-orthogonal and thus comes with strong theoretical guarantees, including robustness to estimation errors in the nuisance functions. In addition, our Rank-Learner is model-agnostic, and can be instantiated with arbitrary machine learning models (e.g., neural networks). We demonstrate the effectiveness of our method through extensive experiments where Rank-Learner consistently outperforms standard CATE estimators and non-orthogonal ranking methods. Overall, we provide practitioners with a new, orthogonal two-stage learner for ranking individuals by their treatment effects.
• Abstract（参考訳）: 多くの意思決定問題は、正確な効果の大きさを推定するのではなく、治療効果によって個人をランク付けする必要がある。 例えば、予防的ケア介入のために患者を優先順位付けすることや、広告の期待されるインクリメンタルな影響によって顧客をランク付けすることなどがある。 意外なことに、因果効果の推定は文献でかなり注目されているが、治療効果のランキングを直接学習する問題は、ほとんど未解明のままである。 本稿では,観察データから治療効果のランキングを直接学習する新しい2段階学習者であるランクラーナーを紹介する。 まず, 精度の高い処理効果推定に基づくナイーブなアプローチにより, ランクラーナーは, 明確なCATE推定を行わずに, 真の処理効果の順序付けを回復する一対学習目標を最適化する。 さらに、我々のランクラーナーがネイマン直交であることを示し、ニュアンス関数の誤差を推定する堅牢性を含む強力な理論的保証を与える。 さらに、Rang-Learnerはモデルに依存しないため、任意の機械学習モデル(例えばニューラルネットワーク)でインスタンス化できます。 Rank-Learnerが標準CATE推定器と非直交ランク法を一貫して上回る広範な実験により,本手法の有効性を実証する。 全体として、我々は、治療効果によって個人をランク付けするための、新しい直交2段階学習者を提供する。

関連論文リスト

• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Dissecting Deep RL with High Update Ratios: Combatting Value Divergence [21.282292112642747]
  ネットワークパラメータをリセットすることなく、深層強化学習アルゴリズムが学習能力を維持できることを示す。 我々は,大規模な更新率での学習を可能にする,単純な単球正規化を採用している。
  論文  参考訳（メタデータ） (2024-03-09T19:56:40Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning [0.0]
  本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。 提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。 また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
  論文  参考訳（メタデータ） (2023-07-03T14:27:15Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• 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)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。