Should I Stop or Should I Go: Early Stopping with Heterogeneous Populations

要約

ランダム化された実験は、治療が意図しない有害な影響を与えるため、途中で中止する必要があることがよくあります。
実験を早期に中止する時期を決定する既存の方法は、通常、データをまとめて適用するものであり、治療効果の不均一性を考慮していません。
この論文では、異種集団に対する害を目的とした実験の早期停止について研究します。
我々はまず、治療法が少数の参加者に害を及ぼす場合、現在の方法では実験を中止できないことが多いことを証明する。
次に、因果的機械学習を使用して、異種混合の早期停止に広く適用可能な最初の方法である CLASH を開発します。
シミュレーションデータと実際のデータで CLASH のパフォーマンスを実証し、臨床試験と A/B テストの両方で効果的な早期停止が得られることを示します。

要約(オリジナル)

Randomized experiments often need to be stopped prematurely due to the treatment having an unintended harmful effect. Existing methods that determine when to stop an experiment early are typically applied to the data in aggregate and do not account for treatment effect heterogeneity. In this paper, we study the early stopping of experiments for harm on heterogeneous populations. We first establish that current methods often fail to stop experiments when the treatment harms a minority group of participants. We then use causal machine learning to develop CLASH, the first broadly-applicable method for heterogeneous early stopping. We demonstrate CLASH’s performance on simulated and real data and show that it yields effective early stopping for both clinical trials and A/B tests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google