論文の概要: Precedence-Aware Resource Allocation: Extending the AUTOC Framework to Multi-Level Treatments

• arxiv url: http://arxiv.org/abs/2610.34812v1
• Date: Mon, 26 Oct 2026 03:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.735736
• Title: Precedence-Aware Resource Allocation: Extending the AUTOC Framework to Multi-Level Treatments
• Title（参考訳）: 先行性を考慮したリソース割り当て:AUTOCフレームワークをマルチレベル処理に拡張
• Abstract要約: マルチレベルAUTOCは,マルチレベル処理設定を優先して設計したAUTOCの一般化である。 また、固定予算制約の下で、真の限界処理効果を実行可能な処理課題にマッピングするための事前対応政策も提案する。 以上の結果から, マルチレベル治療の設定において, 治療効果の最大化には, 個人間での再配置が必要である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.402634424631121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world decision problems require allocating limited resources across individuals to maximize total benefit often through interventions that vary in intensity rather than binary treat-or-not decisions. In these settings, higher levels treatments require first applying lower levels of treatment, inducing a precedence constraint that complicates allocation under a fixed budget. While the causal inference literature has largely emphasized accurate estimation of conditional average treatment effects (CATE), recent work has shown that estimation accuracy alone does not guarantee effective resource allocation, motivating ranking-based evaluation frameworks. The Area Under the Targeting Operating Characteristic (AUTOC) provides an effective way to evaluate prioritization rules across budget levels, but existing formulations are limited to binary treatments. We introduce Multi-Level AUTOC (ML-AUTOC), which is a generalization for AUTOC designed for multi-level treatment settings with precedence. We also propose precedence-aware policies for mapping true marginal treatment effects to feasible treatment assignments under fixed budget constraints. Our results show that in the setting of multi-level treatments, maximizing realized treatment effects may require re-allocation of treatments across individuals.
• Abstract（参考訳）: 現実の意思決定問題の多くは、個人間で限られたリソースを割り当てることによって、多くの場合、二項処理や非決定よりも強度の異なる介入によって、全体の利益を最大化する。 これらの設定では、より高いレベルの治療は、最初に低いレベルの治療を適用することを必要とし、固定予算の下での割り当てを複雑にする優先順位制約を誘導する。 因果推論文献は、条件平均処理効果(CATE)の正確な推定を強く強調してきたが、近年の研究では、評価精度だけでは効果的な資源配分を保証せず、ランキングベースの評価フレームワークを動機付けていることが示されている。 目標運用特性下の地域 (AUTOC) は予算レベルでの優先順位付けルールを評価する効果的な方法であるが、既存の定式化は二項処理に限られている。 マルチレベルAUTOC(ML-AUTOC)を提案する。 また、固定予算制約の下で、真の限界処理効果を実行可能な処理課題にマッピングするための事前対応政策も提案する。 以上の結果から, マルチレベル治療の設定において, 治療効果の最大化には, 個人間での再配置が必要である可能性が示唆された。

関連論文リスト

• Learning Who Benefits Most: Multi-Treatment Causal Ranking for Population Health Stratification [8.198354824362406]
  本稿では,多処理因数ランキング問題として人口健康成層を定式化するPrometheusを提案する。 その目的は, 完全校正された個別治療効果推定値を得るのではなく, 段階的利益が期待できる患者治療機会を発注することである。 治療は共同で学習され、患者やケアのプロフィールに匹敵するランキングを得られる。
  論文  参考訳（メタデータ） (2026-10-14T08:31:07Z)
• Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
  一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。 提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。 我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
  論文  参考訳（メタデータ） (2025-12-29T01:33:42Z)
• 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)
• Uplift modeling with continuous treatments: A predict-then-optimize approach [4.132346971686944]
  アップリフトモデリングの目標は、どのエンティティが治療を受けるべきかを決定することで、特定の成果を最適化するアクションを推奨することである。 アップリフトモデリングは通常二項処理に重点を置いているが、現実の多くのアプリケーションは連続的に評価された処理によって特徴づけられる。 本稿では,揚力モデリングにおける連続的な処理を可能にする予測型最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-12T12:43:42Z)
• Optimizing Treatment Allocation in the Presence of Interference [6.404584255185188]
  影響最大化(IM)では、治療対象のネットワーク内の最適なエンティティセットを選択することが目的である。 昇降モデリング(UM)では、エンティティは推定処理効果に応じてランク付けされ、上位エンティティは処理を割り当てる。 OTAPI:干渉の有無で処理割り当てを最適化する。
  論文  参考訳（メタデータ） (2024-09-30T15:48:22Z)
• Last-Iterate Global Convergence of Policy Gradients for Constrained Reinforcement Learning [62.81324245896717]
  我々はC-PGと呼ばれる探索非依存のアルゴリズムを導入し、このアルゴリズムは(弱)勾配支配仮定の下でのグローバルな最終点収束を保証する。 制約付き制御問題に対して,我々のアルゴリズムを数値的に検証し,それらを最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-07-15T14:54:57Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)

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。