論文の概要: Learning Who to Treat When Treatment is Missing

• arxiv url: http://arxiv.org/abs/2607.14346v1
• Date: Wed, 15 Jul 2026 20:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.913665
• Title: Learning Who to Treat When Treatment is Missing
• Title（参考訳）: 治療が不足しているときに治療する人を学ぶ
• Authors: Johnna Sundberg, Rayid Ghani, Eli Ben-Michael, Edward Kennedy,
• Abstract要約: 政策学習手法は、予算制約の下で治療の割り当てを通知するために、ますます使われてきている。 提案手法の多くは、完全な治療データを仮定するが、アプリケーションは、推定をバイアスし、最適以下のポリシーを導出できる欠如に悩まされることが多い。 このギャップに対処するために、平均処理効果(ATE)推定のための効率的な推定器を、無作為(MAR)および無作為(MCCAR)処理データにおいて欠落した条件付き平均処理効果(CATE)推定に拡張する。
• 参考スコア（独自算出の注目度）: 4.9260675787713994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Policy learning methods are increasingly used to inform treatment allocation under budget constraints. Most proposed methods assume complete treatment data, yet applications frequently suffer from missingness that can bias estimates and lead to suboptimal policies. We address this gap by extending efficient estimators for average treatment effect (ATE) estimation to policy value and conditional average treatment effect (CATE) estimation under missing at random (MAR) and missing completely conditionally at random (MCCAR) treatment data. Through asymptotic efficiency analysis, we prove that the MAR estimator, which leverages partially-observed units, is both valid and more efficient than the MCCAR estimator when MCCAR assumptions hold. This result provides formal justification for preferring MAR-based estimation in policy learning under both missing data settings. Our comprehensive experiments using synthetic and semi-synthetic datasets confirm that correctly specifying the missingness mechanism is crucial: misspecified estimators remain biased regardless of sample size, while our estimators achieve near-oracle performance when assumptions are satisfied. Our work provides practitioners with theoretically grounded, empirically validated tools for robust policy learning in the presence of missing treatment data.
• Abstract（参考訳）: 政策学習手法は、予算制約の下で治療の割り当てを通知するために、ますます使われてきている。 提案手法の多くは、完全な治療データを仮定するが、アプリケーションは、推定をバイアスし、最適以下のポリシーを導出できる欠如に悩まされることが多い。 このギャップに対処するために、平均処理効果(ATE)推定のための効率的な推定器を、無作為(MAR)および無作為(MCCAR)処理データにおいて欠落した条件付き平均処理効果(CATE)推定に拡張する。 漸近的効率解析により、部分的に観測された単位を利用するMAR推定器は、MCCAR仮定が成立すると、MCCAR推定器よりも有効かつ効率的であることが証明された。 この結果から,両データ設定の欠如によるポリシ学習において,MARに基づく推定を優先する公式な正当性が得られる。 本研究の総合的な実験では, 仮説が満たされた場合, 標本サイズによらず, 不特定推定器は偏りを保ち, 仮説が満たされた場合, ほぼオーラルに近い性能が得られることを確認した。 我々の研究は、治療データが欠落している状況下で、ロバストな政策学習のための理論上、実証的に検証されたツールを実践者に提供します。

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)
• PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units [7.8856737627153874]
  我々は、治療群とラベルなし群のみを観察する環境で、ATEのための半パラメトリック効率的な推定器を開発した。 本研究は,データ不足と弱教師付き学習による因果推論の文献化に寄与する。
  論文  参考訳（メタデータ） (2025-01-31T17:47:32Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• 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)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• 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)
• Missing Data Imputation using Optimal Transport [43.14084843713895]
  最適輸送距離を利用して基準を定量化し、損失関数に変換し、欠落したデータ値をインプットする。 エンド・ツー・エンド・ラーニングを用いてこれらの損失を最小限に抑えるための実践的手法を提案する。 これらの実験により、OTベースの手法は、欠落した値の高い割合であっても、最先端の計算手法と一致しているか、性能が良くないことを示す。
  論文  参考訳（メタデータ） (2020-02-10T15:23:42Z)

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。