論文の概要: Online Individualized Treatment Selection under Partial Feedback: False Discovery Control and Minimax Optimality

• arxiv url: http://arxiv.org/abs/2610.16464v1
• Date: Mon, 12 Oct 2026 09:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:05:18.424745
• Title: Online Individualized Treatment Selection under Partial Feedback: False Discovery Control and Minimax Optimality
• Title（参考訳）: 部分フィードバックによるオンライン個別処理選択:偽発見制御と最小最適性
• Abstract要約: 割り当てられた治療結果のみを観察した場合のオンライン個別治療選択について検討した。 本研究では、履歴データから学習を初期化し、局所的ヌルリスクの逐次推定、ランダム化探索、および治療選択閾値のフィードバック駆動更新を組み合わせた部分フィードバック適応的個別化処理選択(PAITS)を提案する。 その結果、偏りのフィードバックの下で、正確な治療課題とニュアンス学習のトレードオフを定量化する。
• 参考スコア（独自算出の注目度）: 1.592441029016687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study online individualized treatment selection when only the outcome under the assigned treatment is observed. Our objective is to preferentially treat individuals whose potential outcomes under treatment exceed a covariate-specific control reference, while limiting false discoveries among treated individuals. We propose Partial-Feedback Adaptive Individualized Treatment Selection (PAITS), which initializes learning from historical data and combines sequential estimation of local null risks, randomized exploration, and feedback-driven updates of the treatment selection threshold. Under regularity conditions, we establish asymptotic false discovery rate control and sublinear gap-weighted assignment regret relative to a population oracle. We further establish a minimax lower bound on assignment regret under prescribed uniform nuisance-estimation requirements and give conditions under which PAITS attains the corresponding constrained minimax rate up to logarithmic factors. These results quantify the tradeoff between accurate treatment assignment and nuisance learning under partial feedback. Simulation studies and a real-data analysis using the Jester recommendation dataset illustrate the finite-sample performance of PAITS.
• Abstract（参考訳）: 割り当てられた治療結果のみを観察した場合のオンライン個別治療選択について検討した。 我々の目的は、治療中の潜在的成果が共変量特異的制御基準を超える個人を優先的に扱うことであり、治療対象者間での誤った発見を制限することである。 本研究では、履歴データから学習を初期化し、局所的ヌルリスクの逐次推定、ランダム化探索、および治療選択閾値のフィードバック駆動更新を組み合わせた部分フィードバック適応的個別化処理選択(PAITS)を提案する。 定期的な条件下では,無症状の偽発見率制御と,集団オラクルに対するサブ線形ギャップ重み付き代入後悔を確立する。 さらに、所定の均一なニュアンス推定条件下での代入後悔に基づくミニマックス下限を確立し、PAITSが対応する制約付きミニマックス率を対数因子まで達成する条件を与える。 これらの結果は、偏りフィードバック下での正確な治療課題とニュアンス学習のトレードオフを定量化する。 Jesterレコメンデーションデータセットを用いたシミュレーション研究と実データ解析は,PAITSの有限サンプル性能を示す。

関連論文リスト

• Targeted Active Learning for Preference-Based Treatment Effects on Multivariate Outcomes [9.17655286354138]
  結果プロファイルよりも優先ルールが与えられると、治療効果と最適ポリシーが定義され、推定される。 本稿では,クエリとの比較を選択するアクティブラーニングフレームワークを提案する。 我々の基準は、同等のクエリ予算において、既存の基準よりも治療効果推定誤差が低く、政策後悔が低いことを達成している。
  論文  参考訳（メタデータ） (2026-10-02T08:31:35Z)
• Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies [1.338174941551702]
  個別治療体制(ITR)は、患者固有の特徴に基づいて治療を割り当てることにより、臨床結果を改善することを目的としている。 本稿では,潜在的結果のコントラストを目標とし,低次元部分空間を同定する,新しい十分次元削減手法を提案する。 提案手法は,緩やかな規則性条件下で,ベイズリスクに収束する普遍的整合性を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-11T05:38:08Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Optimal Treatment Regimes for Proximal Causal Learning [7.672587258250301]
  そこで本研究では,橋梁における結果と治療の相違に基づく最適な個別化治療体制を提案する。 この新たな最適治療体制の価値関数は,文献上に存在するものよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:29:25Z)
• Sample Constrained Treatment Effect Estimation [28.156207324508706]
  我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。 特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
  論文  参考訳（メタデータ） (2022-10-12T21:13:47Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Double machine learning for sample selection models [0.12891210250935145]
  本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。 a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
  論文  参考訳（メタデータ） (2020-11-30T19:40:21Z)
• Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
  本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。 候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
  論文  参考訳（メタデータ） (2020-11-08T16:48:02Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。