論文の概要: Debiased Machine Learning for Conformal Prediction of Counterfactual Outcomes Under Runtime Confounding

• arxiv url: http://arxiv.org/abs/2604.03772v1
• Date: Sat, 04 Apr 2026 15:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.761926
• Title: Debiased Machine Learning for Conformal Prediction of Counterfactual Outcomes Under Runtime Confounding
• Title（参考訳）: 実行時制約下での非現実的結果の等式予測のためのデバイアス機械学習
• Authors: Keith Barnatchez, Kevin P. Josey, Rachel C. Nethery, Giovanni Parmigiani,
• Abstract要約: 機械学習フレームワークを導入し、対象人口で共同創設者のサブセットが測定された場合に、有効な予測間隔を設定できる。 得られた予測間隔は,標準手法よりも高速に収束し,所望のカバレッジ率が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.9099663022952496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven decision making frequently relies on predicting counterfactual outcomes. In practice, researchers commonly train counterfactual prediction models on a source dataset to inform decisions on a possibly separate target population. Conformal prediction has arisen as a popular method for producing assumption-lean prediction intervals for counterfactual outcomes that would arise under different treatment decisions in the target population of interest. However, existing methods require that every confounding factor of the treatment-outcome relationship used for training on the source data is additionally measured in the target population, risking miscoverage if important confounders are unmeasured in the target population. In this paper, we introduce a computationally efficient debiased machine learning framework that allows for valid prediction intervals when only a subset of confounders is measured in the target population, a common challenge referred to as runtime confounding. Grounded in semiparametric efficiency theory, we show the resulting prediction intervals achieve desired coverage rates with faster convergence compared to standard methods. Through numerous synthetic and semi-synthetic experiments, we demonstrate the utility of our proposed method.
• Abstract（参考訳）: データ駆動による意思決定は、カウンターファクト結果の予測に頻繁に依存する。 実際には、研究者は通常、ソースデータセット上の反事実予測モデルをトレーニングして、おそらく別個のターゲット集団に関する決定を通知する。 コンフォーマル予測は、対象とする関心の集団における異なる処理決定の下で生じるであろう、反実的な結果に対する仮定リーン予測間隔を生成する一般的な方法として発生している。 しかし、既存の手法では、ソースデータのトレーニングに使用される治療・アウトカム関係のすべての要因が対象個体群で測定されることが求められており、重要な共同創設者が対象個体群で測定されていない場合、誤発見のリスクが伴う。 本稿では,計算効率のよい機械学習フレームワークを導入し,共同創設者のサブセットのみを対象集団で測定した場合に,有効な予測間隔を実現する。 半パラメトリック効率理論を基礎として、予測間隔が標準手法よりも高速な収束で所望のカバレッジ率を達成することを示す。 多くの合成および半合成実験を通じて,提案手法の有用性を実証した。

関連論文リスト

• Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
  コンフォーマル予測(CP)は近年,膨大な関心を集めている。 本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。 半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
  論文  参考訳（メタデータ） (2025-08-21T12:14:44Z)
• UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation [9.387706860375461]
  UTOPIA(Universally Trainable Optimal Predictive Intervals Aggregation)と呼ばれる新しい戦略を導入する。 この技術は、予測帯域の平均幅を小さく保ちながら、複数の予測間隔を効率的に集約し、カバレッジを確保する。 合成データとファイナンスとマクロ経済学における2つの実世界のデータセットに適用することで検証されている。
  論文  参考訳（メタデータ） (2023-06-28T20:38:37Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。