論文の概要: Learning Risk Scores Robust to Unobserved Confounders

• arxiv url: http://arxiv.org/abs/2609.27144v1
• Date: Tue, 22 Sep 2026 23:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.800053
• Title: Learning Risk Scores Robust to Unobserved Confounders
• Title（参考訳）: 学びのリスク、未確認の共同創業者にロバスト
• Abstract要約: 少ない資源や介入のために個人を優先するためにリスクスコアを学習する問題を考察する。 不足するリソースを誰が受け取るかという決定は、記録された特性に基づいたリスクスコアによって導かれることが多い。 本研究では,未観測のコンバウンディングに対して頑健なリスクスコアを学習する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.78108457394287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of learning risk scores to prioritize individuals for scarce resources or interventions, from historical observational data affected by unobserved confounding. Decisions about who receives scarce resources are often guided by risk scores based on recorded characteristics, such as responses to a survey. These risk scores are increasingly being learned directly from observational data: historical records of individuals' characteristics, allocation decisions, and outcomes. Standard methods such as inverse propensity weighting (IPW), which corrects for the bias introduced by the historical allocation policy, can be used to learn accurate risk scores if the historical decision process is fully explained by the recorded characteristics. In practice, however, historical decisions often depend on unrecorded information, causing learned risk scores to systematically under-prioritize exactly the individuals whose unrecorded circumstances drove past prioritization. We propose a method for learning risk scores that are robust to this kind of unobserved confounding, building on IPW. Since propensity weights cannot be reliably estimated under unobserved confounding, we instead treat them as belonging to an uncertainty set determined by the observable data and domain-informed estimates of the degree of confounding, combining sensitivity analysis from causal inference with Wasserstein distributionally robust optimization. The resulting robust risk score learning problem admits a sample-based approximation that we reformulate as an exponential cone program compatible with off-the-shelf solvers. We demonstrate the effectiveness of our approach on semi-synthetic data derived from datasets in the UCI Machine Learning Repository. Our method improves calibration by up to 29.2% over traditional benchmarks and up to 11.1% over the state of the art, without compromising other metrics.
• Abstract（参考訳）: 本研究では,未観測のコンファウンディングによる歴史的観測データから,資源不足や介入の少ない個人を優先するリスクスコアの学習という課題を考察する。 不足するリソースを誰が受け取るかという決定は、調査に対する回答など、記録された特性に基づくリスクスコアによって導かれることが多い。 これらのリスクスコアは、個人の特徴、割り当て決定、結果の履歴記録など、観察データから直接学習されることが増えている。 歴史的アロケーションポリシによって導入されたバイアスを補正する逆相対性重み付け(IPW)のような標準手法は、記録された特性によって歴史的決定プロセスが完全に説明される場合、正確なリスクスコアを学習するために用いられる。 しかし、実際には、歴史的決定はしばしば記録されていない情報に依存するため、学習されたリスクスコアは、記録されていない状況が優先順位付けを遅らせた個人を体系的に過小評価する。 本稿では,IPW上に構築されたこのような観測不能なコンファウンディングに対して頑健なリスクスコアを学習する手法を提案する。 確率重みは観測不能な凹凸の下では確実に推定できないため、観測可能データと領域インフォームドの推定値によって決定された不確実性集合に属し、因果推論からの感度解析とワッサーシュタイン分布論的に堅牢な最適化を組み合わせて扱う。 その結果、ロバストなリスクスコア学習問題は、既成の解法と互換性のある指数錐プログラムとして再構成されるサンプルベースの近似を許容する。 UCI Machine Learning Repositoryのデータセットから得られた半合成データに対して,本手法の有効性を示す。 従来のベンチマークで最大29.2%、最先端で最大11.1%のキャリブレーションを向上するが、他の測定基準を損なうことはない。

関連論文リスト

• Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
  既存のアプローチは意思決定を行い、不確実性を無視します。 これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。 本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:13:42Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Auditing Fairness under Unobserved Confounding [56.61738581796362]
  意外なことに、リスクの高い人に対する治療率の有意義な限界を計算できることが示されています。 現実の多くの環境では、リスクの偏りのない見積を導き出すために、アロケーションの前にデータを持っているという事実を使用します。
  論文  参考訳（メタデータ） (2024-03-18T21:09:06Z)
• Learning with Selectively Labeled Data from Multiple Decision-makers [5.009970045326773]
  本研究は, 歴史的意思決定による全人口の分布が異なる可能性のある, 選択的ラベル付きデータを用いた分類問題について考察する。 多くのアプリケーションにおいて、歴史的決定は複数の意思決定者によって行われ、それぞれが異なる決定ルールを持つという事実を利用しています。
  論文  参考訳（メタデータ） (2023-06-13T06:34:44Z)
• Learning from Similarity-Confidence Data [94.94650350944377]
  類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。 本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
  論文  参考訳（メタデータ） (2021-02-13T07:31:16Z)
• Feedback Effects in Repeat-Use Criminal Risk Assessments [0.0]
  リスクは、単発テストで捉えられていない方法で、シーケンシャルな決定を伝達できることを示します。 リスクアセスメントツールは、非常に複雑でパスに依存したプロセスで動作し、歴史的な不平等が引き起こされる。
  論文  参考訳（メタデータ） (2020-11-28T06:40:05Z)
• Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks [14.928328404160299]
  本稿では,検閲データを用いた時系列予測問題において,相対リスクを推定するための新しいアプローチについて述べる。 我々のアプローチは、基礎となる生存分布の一定の比例的ハザードの強い仮定を必要としない。 これは検閲の有無で競合するリスクを伴う生存時間を完全にパラメトリックに推定する最初の作品である。
  論文  参考訳（メタデータ） (2020-03-02T20:21:59Z)

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。