CounterFactual Machine Learning勉強会 #7（オンライン）

概要

近年因果推論の知識を機械学習に応用したり、逆に因果推論の為に機械学習を応用するといった方法論が提案されています。 この勉強会はCounterfactual Machine Learning (CFML) と呼ばれるこれらの手法に関する研究や実例の紹介を行う事を目的としたものです。

機械学習 and/or 因果推論に関する論文を普段読んでいる研究者、学生、エンジニア、データサイエンティストの方を想定しておりますが、誰でもご参加いただけます。

なお、CFMLに馴染みのない方は以下のサーベイ/チュートリアルを見てみると良いかもしれません。

• 私のブックマーク：反実仮想機械学習 (Counterfactual Machine Learning, CFML)
• Tutorial on Counterfactual Learning and Evaluation for Recommender Systems: Foundations, Implementations, and Recent Advances (RecSys 2021)

実施方法

ZOOMを使用します。各自インストールをお願いします。 URLは当日（1/14）に、connpassのメッセージ機能で登録者に事前にお送りいたします。 一つの発表時間は約40分で、発表資料はイベント後に公開する予定です。

質疑応答は、sli.doを使用して行います。 使用方法は以下の通りです。

1. connpassのメッセージ機能でお知らせしたURLにアクセスしてください
2. 発表者に質問があれば、都度ここに書き込んでください（匿名可）。
3. 質問は他の方も閲覧可能です。自分も聞きたいという質問があれば「いいね」ができます。
4. 発表終了後時間が許す限り、発表者が「いいね」が多いものから優先して回答していきます。

注意事項

技術交流が目的の勉強会ですので、知識の共有および、参加者同士の交流を目的としない参加はお断りしています。 参加目的が不適切だと判断される場合には、運営側で参加をキャンセルさせていただく場合がございます。

タイムテーブル

※ 適宜休憩を取ります。当日予告なく時間配分、内容が変更になる可能性がございます。

発表の詳細

タイトル：ABEMAにおけるクリエイティブ検証とOPE活用

発表者：海老澤颯

プロフィール： 株式会社AbemaTV。動画解析基盤の開発を経て、現在は画像サムネイルの検証に日々奮闘中。 健康オタクエンジニア。

発表概要： ABEMAにおいてサムネイルは、番組へユーザーを誘導する重要な役割を担っており、より良いサムネイルを作成するための検証や、ユーザーにとって相性の良いサムネイルを選択する最適化は非常に重要なデータサイエンスのタスクとなっています。この発表では、そういった検証や最適化における、A/BテストやOPEの活用の事例についてお話しします。

タイトル：Policy-Adaptive Estimator Selection for Off-Policy Evaluation (AAAI'23)

発表者： 清原 明加

プロフィール：東京工業大学 学士課程4年（経営工学）。人々の経済活動や行動選択を支援する意思決定システムでの機械学習・最適化技術の応用に興味があり、主に強化学習領域のアルゴリズム開発・評価に関する研究を行う。現在は特に、半熟仮想、Yahoo、Sony、negociaと共同研究を行い、推薦システム・広告入札アルゴリズムの評価技術開発に携わる。

発表概要： オフ方策評価は新たな意思決定方策の性能評価を、日頃デプロイされている既存の方策のログデータのみを用いて行うための技術であり、これまで広く研究されてきた。その結果、今や良い統計的性質を保証する種々のオフ方策推定量を使用することができるようになったのは、分野の発展の非常に好ましい側面だ。一方、それぞれの推定量にはデータサイズや選択可能な意思決定の数などに応じた向き不向きが存在し、実用的な場面でどの推定量を使うべきか判断するのは容易ではない。本発表では、この「推定量選択」という新たな実務課題に焦点を当て、正確なオフ方策推定量をデータドリブンに特定する手法を提案する。また、提案手法が広範な問題設定において正確な推定量選択を可能にするだけでなく、その下流の方策選択問題においても良い性能を示す実験結果を紹介する。

参考文献: Takuma Udagawa, Haruka Kiyohara, Yusuke Narita, Yuta Saito, and Kei Tateno. Policy-Adaptive Estimator Selection for Off-Policy Evaluation. AAAI2023. https://arxiv.org/abs/2211.13904

タイトル：EconMLに実装されている異質処置効果の推定手法の紹介・再考

発表者：高山晃一

プロフィール： 株式会社リクルート データサイエンティスト/機械学習エンジニア。情報推薦のためのモデリングやシステム開発に携わっている。

発表概要： データ分析業務において、 異質性を持った処置効果（Heterogeneous Treatment Effect; HTE） を考慮したモデリングや意思決定を行うことの重要性が高まってきている。例えば、薬の治療効果が患者の性質によって異なる場合、治療効果の異質性の原因となる性質を特定し、患者ごとに治療計画をカスタマイズすることは有益である。HTEの推定手法は数多く提案されているが、近年は計量経済学と機械学習の知見を融合させた研究が盛んに行われている。実応用においても、EconMLやCausalMLといったHTE推定のためのライブラリが開発されており、手で動かして結果を得るまでのハードルは低くなっている。しかし、実際に関連するドキュメントや論文を読んでみると落とし穴がいくつか存在し、与えられたフローチャートを暗記するだけでは不十分であるという結論に至った。そこで本発表では、EconMLで実装されているHTEの推定手法を中心に説明しつつ、公式のドキュメントや関連論文では詳しく述べられていない背景を補足して繋ぎ合わせることで、HTE推定についての新しい地図を作ることを試みる。

※ こちら のスライドをCFML勉強会向けに大幅アップデートした形で発表します

『施策デザインのための機械学習入門』『機械学習を解釈する技術』著者座談会

• 前半: 事前に設定したトピックに沿って登壇者で雑談します。執筆の裏側などここでしか聞けない話を中心にします。
• 後半: 聴衆から募った質問に時間が許す限り答えていきます。前半の内容に関係する質問や書籍に関する質問などをsli.doにお寄せください。

司会

• 高屋卓也: 編集者。2002年技術評論社に入社。販売促進部にて書店／取次などの担当を経て編集部に異動。主な担当書籍に『施策デザインのための機械学習入門』（2021）,『 機械学習を解釈する技術』（2021）, 『効果検証入門』（2020），『Kaggleで勝つデータ分析の技術』（2019），『前処理大全』（2018）などがある。Twitter: @tkaytkuy

登壇者

• 森下光之助: データサイエンティスト。経済学修士。現在はREVISIO株式会社でデータ・テクノロジー担当の執行役員としてテレビデータの分析、社内データの利活用の促進、データ部門のマネジメントを行っている。著書に「機械学習を解釈する技術」。Twitter: @dropout009

• 齋藤優太: 2021年東京工業大学にて学士号取得。同年よりコーネル大学コンピュータサイエンス専攻博士課程にて反実仮想学習や推薦システムの公平性に関する研究を行う。NeurIPS・ICML・KDD・RecSys・WSDMなどの国際会議にて学術論文を発表。また複数の国内企業と連携して、反実仮想学習の応用にも従事。2021年 日本オープンイノベーション大賞内閣総理大臣賞を受賞。2022年 Forbes Japan 30 Under 30及び孫正義育英財団第6期生に選出。著書に『施策デザインのための機械学習入門』（技術評論社）。Twitter: @usait0

• 安井翔太: 2013年Norwegian School of Economics MSc in Economics 修了後、サイバーエージェントに総合職として新卒入社。 入社後は広告代理店にて広告効果検証等を行い、2015年にアドテクスタジオへ異動、以降はDMP・DSP・SSPと各種のアドテク商品においてデータを元にした意思決定のコンサルティング等を担当。2016年にAI Lab Econチームを立ち上げ。現在はEconグループのリーダを担当しつつ、「Data Science Center」の副室長を務める。著書に「効果検証入門」「施策デザインのための機械学習入門」。Twitter: @housecat442