基于 AUUC 最大化且具有泛化保证的治疗靶向
机器学习
2020-12-21 v1
摘要
我们考虑基于个体处理效应预测来优化处理分配的任务。该任务见于诸多应用，如个性化医疗或定向广告，近年来以 Uplift Modeling 之名获得大量关注。其在于将处理靶向对其最有益的个人。在真实场景中，当我们无法获知真实个体处理效应时，模型此能力通常由 uplift 曲线下面积（AUUC）衡量，该指标不同于大多数个体处理效应（ITE）模型的学习目标。我们认为这些模型的学习可能无意中降低 AUUC 并导致次优处理分配。为解决此问题，我们提出了 AUUC 的泛化界，并给出一种优化该界的可导代理（称为 AUUC-max）的新颖学习算法。最后，我们通过实验在两个经典基准上证明了该泛化界的紧性、其在超参数调优上的有效性，并展示了所提算法相较于广泛竞争基线的效率。
引用
@article{arxiv.2012.09897,
title = {Treatment Targeting by AUUC Maximization with Generalization Guarantees},
author = {Artem Betlei and Eustache Diemert and Massih-Reza Amini},
journal= {arXiv preprint arXiv:2012.09897},
year = {2020}
}
备注
17 pages, 6 figures