The Missing Link: Allocation Performance in Causal Machine Learning

要約

自動意思決定 (ADM) システムは、社会福祉や医療など、さまざまな重要な問題分野に導入されています。
最近の研究では、ADM システムにおける因果 ML モデルの重要性が強調されていますが、複雑な社会環境での因果関係 ML モデルの実装には大きな課題が伴います。
これらの課題が特定の下流の意思決定タスクのパフォーマンスにどのような影響を与えるかについての研究は限られています。
このギャップに対処するために、求職者の包括的な現実世界のデータセットを利用して、単一の CATE モデルのパフォーマンスがさまざまな意思決定シナリオ間でどのように大きく異なるかを示し、予測や割り当てに対する分布の変化などの課題の異なる影響を強調します。
。

要約(オリジナル)

Automated decision-making (ADM) systems are being deployed across a diverse range of critical problem areas such as social welfare and healthcare. Recent work highlights the importance of causal ML models in ADM systems, but implementing them in complex social environments poses significant challenges. Research on how these challenges impact the performance in specific downstream decision-making tasks is limited. Addressing this gap, we make use of a comprehensive real-world dataset of jobseekers to illustrate how the performance of a single CATE model can vary significantly across different decision-making scenarios and highlight the differential influence of challenges such as distribution shifts on predictions and allocations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google