論文の概要: Treatment effect estimation with disentangled latent factors

• arxiv url: http://arxiv.org/abs/2001.10652v3
• Date: Mon, 26 Apr 2021 13:42:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 20:44:17.241246
• Title: Treatment effect estimation with disentangled latent factors
• Title（参考訳）: 不連続潜伏因子を用いた治療効果推定
• Authors: Weijia Zhang, Lin Liu, Jiuyong Li
• Abstract要約: 本研究では, 平均および条件付き平均処理効果推定において, 機器およびリスク要因との相違因子の識別の重要性を示す。 本研究では, 観測変数から潜伏因子を同時に推定し, 機器, コンバウンディング, リスク要因に対応する3つの解離集合に分解し, その解離因子を用いて治療効果を推定する変動推論手法を提案する。
• 参考スコア（独自算出の注目度）: 24.803992990503186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much research has been devoted to the problem of estimating treatment effects from observational data; however, most methods assume that the observed variables only contain confounders, i.e., variables that affect both the treatment and the outcome. Unfortunately, this assumption is frequently violated in real-world applications, since some variables only affect the treatment but not the outcome, and vice versa. Moreover, in many cases only the proxy variables of the underlying confounding factors can be observed. In this work, we first show the importance of differentiating confounding factors from instrumental and risk factors for both average and conditional average treatment effect estimation, and then we propose a variational inference approach to simultaneously infer latent factors from the observed variables, disentangle the factors into three disjoint sets corresponding to the instrumental, confounding, and risk factors, and use the disentangled factors for treatment effect estimation. Experimental results demonstrate the effectiveness of the proposed method on a wide range of synthetic, benchmark, and real-world datasets.
• Abstract（参考訳）: 多くの研究が観察データから治療効果を推定する問題に費やされてきたが、ほとんどの方法は観察された変数が共同創設者、すなわち治療と結果の両方に影響を与える変数のみを含んでいると仮定している。 残念なことに、この仮定は現実世界のアプリケーションでは頻繁に違反される。 さらに、多くの場合、基礎となる共起因子のプロキシ変数のみが観察できる。 本研究は, 平均的および条件的平均治療効果推定において, 計器的およびリスク要因とを区別することの重要性を最初に示し, 観測変数から潜伏因子を同時に推定し, 計器的, 計器的, 計器的, 計器的, リスク要因に対応する3つの解離集合に分解し, その解離因子を用いて治療効果推定を行うための変分推論手法を提案する。 実験により,提案手法が,幅広い合成,ベンチマーク,実世界のデータセットに対して有効であることを示す。

関連論文リスト

• Contrastive representations of high-dimensional, structured treatments [3.174882428337822]
  多くの実世界の環境では、処理は構造化され、テキスト、ビデオ、オーディオなどの高次元のオブジェクトを処理できる。 本稿では,そのような構造を用いることで因果効果の偏りを推定できることを示す。 我々は,高次元治療の表現を学習するための新しい対照的なアプローチを考案し,根底にある因果的要因を特定し,非因果的要因を捨てることを証明する。
  論文  参考訳（メタデータ） (2024-11-28T16:33:31Z)
• A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
  非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。 既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。 非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-14T18:33:55Z)
• Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation [1.105274635981989]
  可変オートエンコーダ(DRVAE)を用いた新しいDose-Response曲線推定器を提案する。 我々のモデルは現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:41:07Z)
• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。