論文の概要: Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

• arxiv url: http://arxiv.org/abs/2605.25169v1
• Date: Sun, 24 May 2026 17:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.934349
• Title: Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization
• Title（参考訳）: 優先度量子ランダム化による資源配分時の学習的処理効果
• Authors: JungHo Lee, Johnna Sundberg, Pim Welle, Bryan Wilder,
• Abstract要約: 本研究は,治療効果を学習し,最も必要な治療を施すための実験的な設計枠組みを開発する。 優先度の高い順序でキューに処理が提供され、予算が使えるようになると、キュー内でファースト・イン・ファーストアウトされる。 このプロセスでは, 設計によって誘導される処理の割り当てに依存するが, 通常のイド効率境界は良好に調整されていることを示す。
• 参考スコア（独自算出の注目度）: 17.951557443448532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public service programs often allocate limited resources under uncertainty about their benefits, creating a need for randomization to support credible evaluation. In practice, however, applicants commonly enter waitlists where resources are prioritized toward individuals judged to have higher need through tiered priority queues, making direct randomization difficult. Motivated by this, we develop an experimental design framework for learning treatment effects while treating those most in need where incoming applicants are randomized into priority queues based on their assessed risk scores. Treatments are then provided across queues in priority order and first-in-first-out within queue as budget becomes available. Our contributions are two-fold. First, we characterize what causal effects are identified under this priority-queue allocation. When arrivals are exogenous, treatments are conditionally randomized, and hence standard estimands are identified; when arrivals are endogenous, queue randomization instead provides an instrument for treatment, identifying local treatment effects induced by the queuing process. Second, we develop optimized queue-assignment designs that trade off statistical efficiency against prioritizing higher-need applicants. We show in the process that, despite dependence in treatment assignments induced by the design, usual iid efficiency bounds remain well-justified design objectives. We illustrate the proposed designs using data from a housing allocation program in a large U.S. county.
• Abstract（参考訳）: 公共サービスプログラムは、しばしばその利益について不確実な条件下で限られた資源を割り当て、信頼できる評価をサポートするためにランダム化の必要性を生じさせる。 しかし、実際には、応募者は、直接ランダム化を困難にするため、階層化された優先順位待ち行列を通じて、より高いニーズを持つと判断された個人に対してリソースが優先順位付けされたウェイトリストに入るのが一般的である。 そこで本研究では,入所希望者が優先度待ち行列にランダム化される場合を,評価されたリスクスコアに基づいて扱いながら,治療効果を学習するための実験的な設計枠組みを構築した。 その後、優先順位順にキューをまたいだ処理が提供され、予算が利用可能になると、キュー内でファースト・イン・ファーストアウトされる。 私たちの貢献は2倍です。 まず、この優先度キューアロケーションに基づいて因果効果を識別する。 到着が外因性である場合、治療は条件付きランダム化され、そのため標準的な推定値が識別される。 第2に、高次求職者の優先順位付けに対して統計的効率をトレードオフする最適化されたキュー割り当て設計を開発する。 このプロセスでは, 設計によって誘導される処理の割り当てに依存しているにもかかわらず, 通常のイド効率境界は, 適切に調整された設計目標のままであることを示す。 本稿では, 大規模郡における住宅割当プログラムのデータを用いて, 提案した設計について述べる。

関連論文リスト

• 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)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Learning-Augmented Priority Queues [1.4425878137951234]
  学習強化フレームワークにおける優先度待ち行列の設計について検討する。 優先度待ち行列処理の性能を高めるために予測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） (2024-06-07T09:40:09Z)
• Online Fair Allocation of Perishable Resources [1.4952056744888913]
  我々は、標準オンラインフェアアロケーション問題の事実上の動機付け型を考察する。 意思決定者は、一定回数のラウンドを割り当てるために、パーシシブルなリソースの予算を持っている。 目標は、うらやましいほど効率的で効率的なアロケーションのシーケンスを構築することです。
  論文  参考訳（メタデータ） (2024-06-04T15:14:10Z)
• Policy Learning with Distributional Welfare [1.0742675209112622]
  治療選択に関する文献の多くは、条件平均治療効果(ATE)に基づく実用的福祉を考慮したものである。 本稿では,個別処理効果(QoTE)の条件量子化に基づく処理を最適に割り当てる政策を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:51:30Z)
• Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning [0.5989855268111279]
  我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。 我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
  論文  参考訳（メタデータ） (2023-10-12T01:41:47Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)

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。