論文の概要: Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking

• arxiv url: http://arxiv.org/abs/2609.09536v1
• Date: Tue, 08 Sep 2026 23:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.844643
• Title: Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking
• Title（参考訳）: 確率スコアブロッキングによる個人平均処理効果の推定
• Abstract要約: 観察研究における平均治療効果 (ATE) の推定は、社会科学、医学、その他の分野で頻繁に使用される基本的な統計ツールである。 ここでは、観測データ上でのATE推定のための確率スコアに基づく2つのアルゴリズムと、先行作業で使用される逆確率重み付け(IPW)法の改善と、確率スコア(BPS)のブロッキングを用いた2つのアルゴリズムを提案する。 どちらも前処理よりもエラーが低くバイアスも少ないが、BPSベースのアルゴリズムは前処理に比べてエラーを75%以上削減する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Average treatment effect (ATE) estimation in observational studies is a fundamental statistical tool used frequently in social science, medicine, and other fields. These fields often work with sensitive data where privacy protections are important, so a differentially private mechanism for ATE estimation is highly desirable. Here we present two propensity score-based algorithms for ATE estimation on observational data, one improving the inverse probability weighting (IPW) method used in prior work, and the other using blocking on the propensity score (BPS). Both show lower error and less bias than prior work, with the BPS-based algorithm frequently reducing error by 75% or more compared to prior work.
• Abstract（参考訳）: 観察研究における平均治療効果 (ATE) の推定は、社会科学、医学、その他の分野で頻繁に使用される基本的な統計ツールである。 これらのフィールドは、プライバシ保護が重要である機密データを扱うことが多いため、ATE推定のための微分プライベートなメカニズムが極めて望ましい。 ここでは、観測データ上でのATE推定のための確率スコアに基づく2つのアルゴリズムと、前処理で使用される逆確率重み付け(IPW)法を改善するアルゴリズムと、この確率スコア(BPS)をブロックするアルゴリズムを提案する。 どちらも前処理よりもエラーが低くバイアスも少ないが、BPSベースのアルゴリズムは前処理に比べてエラーを75%以上削減する。

関連論文リスト

• Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
  因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
  論文  参考訳（メタデータ） (2025-03-07T23:43:19Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation [23.38833859812519]
  平均処理効果推定は因果推論において最も中心的な問題であり、多くの分野に適用できる。 我々は最近導入された統計的下界の構造非依存の枠組みを採用し、ニュアンス関数に構造的特性を生じさせない。 平均治療効果 (ATE) と平均治療効果 (ATT) の両方に対して, 有意かつ広く用いられている2重頑健性評価器の統計的最適性を証明する。
  論文  参考訳（メタデータ） (2024-02-22T04:03:32Z)
• 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)
• CATE Estimation With Potential Outcome Imputation From Local Regression [24.97657507206549]
  本研究では,条件付き平均処理効果推定のためのモデルに依存しないデータ拡張手法を提案する。 このアイデアにインスパイアされた我々は、潜在的に欠落する可能性を確実に示唆する対照的な学習手法を提案する。 提案手法の有効性を実証する理論的保証と広範な数値的研究の両方を提供する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• 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)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
  個体群における因果関係は、しばしば観測データを用いて推定される。 本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T21:47:23Z)
• Differentially Private Estimation of Heterogeneous Causal Effects [9.355532300027727]
  本稿では,条件付き平均治療効果(CATE)を差分プライバシー保証で推定するための一般的なメタアルゴリズムを提案する。 我々のメタアルゴリズムは、SラーナーやDRやRラーナーのようなより複雑な多段推定器のような単純な単段CATE推定器で動作する。
  論文  参考訳（メタデータ） (2022-02-22T17:21:18Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
  我々は,この課題を因果推論のための特徴獲得の問題として捉えている。 我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
  論文  参考訳（メタデータ） (2020-11-17T16:28:43Z)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。