Conformal Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects

要約

治療効果と呼​​ばれる介入の効果に関する知識は、意思決定にとって最も重要です。
この治療効果を推定するためのアプローチ。
条件付き平均治療効果 (CATE) 推定器を使用しても、多くの場合、この治療効果の点推定のみが提供されますが、代わりに追加の不確実性の定量化が必要になることがよくあります。
したがって、私たちは、共形予測システム、モンテカルロ サンプリング、および CATE メタ学習器を利用して、代わりに個別の意思決定に使用できる予測分布を生成する、新しい方法である共形モンテカルロ (CMC) メタ学習器を提案します。
さらに、結果のノイズ分布に関する特定の仮定がこれらの不確実性予測にどのように大きな影響を与えるかを示します。
それにもかかわらず、CMC フレームワークは、実際の個別の治療効果の推定値を提供するために狭い間隔幅を維持しながら、強力な実験範囲を示しています。

要約(オリジナル)

Knowledge of the effect of interventions, called the treatment effect, is paramount for decision-making. Approaches to estimating this treatment effect, e.g. by using Conditional Average Treatment Effect (CATE) estimators, often only provide a point estimate of this treatment effect, while additional uncertainty quantification is frequently desired instead. Therefore, we present a novel method, the Conformal Monte Carlo (CMC) meta-learners, leveraging conformal predictive systems, Monte Carlo sampling, and CATE meta-learners, to instead produce a predictive distribution usable in individualized decision-making. Furthermore, we show how specific assumptions on the noise distribution of the outcome heavily affect these uncertainty predictions. Nonetheless, the CMC framework shows strong experimental coverage while retaining small interval widths to provide estimates of the true individual treatment effect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google