Personalized Assignment to One of Many Treatment Arms via Regularized and Clustered Joint Assignment Forests

要約

私たちは、ランダム化比較試験から多くの治療群のうちの 1 つに個別に割り当てられた学習を検討します。
この場合、不均一な治療効果をアームごとに個別に推定する標準的な方法は、過剰な分散によりパフォーマンスが低下する可能性があります。
代わりに、治療アーム全体で情報をプールする方法を提案します。まず、治療アーム全体の効果推定値を縮小する貪欲な再帰分割に基づく、正規化されたフォレストベースの割り当てアルゴリズムを検討します。
次に、一貫して同様の結果が得られる治療群を組み合わせるクラスタリング スキームによってアルゴリズムを強化します。
シミュレーション研究では、アームごとの結果を個別に予測するためのこれらのアプローチのパフォーマンスを比較し、正則化とクラスタリングを使用して治療割り当てを直接最適化する利点を文書化します。
理論モデルでは、治療アームの数が多いと最適なアームを見つけることがいかに困難になる一方、正規化された最適化によるパーソナライゼーションによって大きな有用性が得られることを示します。

要約(オリジナル)

We consider learning personalized assignments to one of many treatment arms from a randomized controlled trial. Standard methods that estimate heterogeneous treatment effects separately for each arm may perform poorly in this case due to excess variance. We instead propose methods that pool information across treatment arms: First, we consider a regularized forest-based assignment algorithm based on greedy recursive partitioning that shrinks effect estimates across arms. Second, we augment our algorithm by a clustering scheme that combines treatment arms with consistently similar outcomes. In a simulation study, we compare the performance of these approaches to predicting arm-wise outcomes separately, and document gains of directly optimizing the treatment assignment with regularization and clustering. In a theoretical model, we illustrate how a high number of treatment arms makes finding the best arm hard, while we can achieve sizable utility gains from personalization by regularized optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google