論文の概要: Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects

• arxiv url: http://arxiv.org/abs/2604.00915v1
• Date: Wed, 01 Apr 2026 13:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.018726
• Title: Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects
• Title（参考訳）: 不均一な長期治療効果を推定するための直交学習者
• Authors: Haorui Ma, Dennis Frauen, Valentyn Melnychuk, Stefan Feuerriegel,
• Abstract要約: HLTE推定のためのLT-O-learners(Long-Term Orthogonal Learningers)を提案する。 学習者は、短期ランダム化データセットと長期履歴データセットを組み合わせた標準HLTE設定のために設計されている。 学習者はニュアンス推定における誤りに対して頑健であることを示す。
• 参考スコア（独自算出の注目度）: 56.15663253912398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimation of heterogeneous long-term treatment effects (HLTEs) is widely used for personalized decision-making in marketing, economics, and medicine, where short-term randomized experiments are often combined with long-term observational data. However, HLTE estimation is challenging due to limited overlap in treatment or in observing long-term outcomes for certain subpopulations, which can lead to unstable HLTE estimates with large finite-sample variance. To address this challenge, we introduce the LT-O-learners (Long-Term Orthogonal Learners), a set of novel orthogonal learners for HLTE estimation. The learners are designed for the canonical HLTE setting that combines a short-term randomized dataset $\mathcal{D}_1$ with a long-term historical dataset $\mathcal{D}_2$. The key idea of our LT-O-Learners is to retarget the learning objective by introducing custom overlap weights that downweight samples with low overlap in treatment or in long-term observation. We show that the retargeted loss is equivalent to the weighted oracle loss and satisfies Neyman-orthogonality, which means our learners are robust to errors in the nuisance estimation. We further provide a general error bound for the LT-O-Learners and give the conditions under which quasi-oracle rate can be achieved. Finally, our LT-O-learners are model-agnostic and can thus be instantiated with arbitrary machine learning models. We conduct empirical evaluations on synthetic and semi-synthetic benchmarks to confirm the theoretical properties of our LT-O-Learners, especially the robustness in low-overlap settings. To the best of our knowledge, ours are the first orthogonal learners for HLTE estimation that are robust to low overlap that is common in long-term outcomes.
• Abstract（参考訳）: 不均一な長期治療効果(HLTE)の推定は、マーケティング、経済学、医学においてパーソナライズされた意思決定に広く用いられている。 しかし、HLTE推定は、処理の重複が限られたり、特定のサブポピュレーションに対する長期的な結果が観察されることで、大きな有限サンプル分散を伴う不安定なHLTE推定に繋がる可能性があるため、困難である。 この課題に対処するために、HLTE推定のための新しい直交学習者のセットであるLT-O-learners(Long-Term Orthogonal Learners)を紹介する。 学習者は、短期ランダム化データセット$\mathcal{D}_1$と長期履歴データセット$\mathcal{D}_2$を組み合わせた標準HLTE設定のために設計されている。 LT-O-Learnersの鍵となる考え方は、治療や長期観察において重なりが低いダウンウェイトサンプルをカスタムオーバーラップウェイトを導入することで、学習目標を再ターゲティングすることである。 再ターゲット損失は重み付きオラクル損失と等価であり,Neyman-orthogonality を満たすことが示される。 さらに、LT-O-Learnersに対して一般的な誤差を与え、準軌道速度を達成できる条件を与える。 最後に、LT-O-learnerはモデルに依存しないので、任意の機械学習モデルでインスタンス化することができる。 我々は,LT-O-Learnerの理論的特性,特に低オーバーラップ環境におけるロバスト性を確認するために,合成および半合成ベンチマークの実証評価を行った。 我々の知る限り、我々はHLTE推定のための最初の直交学習者であり、長期的な結果に共通する低い重なり合いに頑健である。

関連論文リスト

• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  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。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [54.65531750162626]
  多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-27T14:13:46Z)
• 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)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。