論文の概要: G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes

• arxiv url: http://arxiv.org/abs/2003.10551v1
• Date: Mon, 23 Mar 2020 21:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 23:41:03.045511
• Title: G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes
• Title（参考訳）: G-Net:動的処理レジームによる成果予測のためのG-Computationへのディープラーニングアプローチ
• Authors: Rui Li, Zach Shahn, Jun Li, Mingyu Lu, Prithwish Chakraborty, Daby Sow, Mohamed Ghalwash, Li-wei H. Lehman
• Abstract要約: G-computationは、動的時間変化処理戦略の下で予測される対実的な結果を予測する方法である。 本稿では,G計算のための新しい逐次ディープラーニングフレームワークであるG-Netを紹介する。 我々は,CVSimから得られた現実的に複雑な時間シミュレーションデータを用いて,代替G-Netの実装を評価する。
• 参考スコア（独自算出の注目度）: 11.361895456942374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual prediction is a fundamental task in decision-making. G-computation is a method for estimating expected counterfactual outcomes under dynamic time-varying treatment strategies. Existing G-computation implementations have mostly employed classical regression models with limited capacity to capture complex temporal and nonlinear dependence structures. This paper introduces G-Net, a novel sequential deep learning framework for G-computation that can handle complex time series data while imposing minimal modeling assumptions and provide estimates of individual or population-level time varying treatment effects. We evaluate alternative G-Net implementations using realistically complex temporal simulated data obtained from CVSim, a mechanistic model of the cardiovascular system.
• Abstract（参考訳）: 事実予測は意思決定の基本的な課題である。 G-computationは、動的時間変化処理戦略の下で予測される対実結果を予測する方法である。 既存のG計算の実装は主に、複雑な時間的および非線形依存構造を捉えるために限られた能力を持つ古典回帰モデルを用いている。 本稿では, 複雑な時系列データを処理し, モデル仮説を最小化しつつ, 個人あるいは集団レベルでの時間的変化による治療効果を推定する, g-計算のための新しい逐次的深層学習フレームワークであるg-netについて述べる。 我々は,循環器系の力学モデルであるCVSimを用いて,現実的に複雑な時間シミュレーションデータを用いて,代替G-Netの実装を評価する。

関連論文リスト

• Online Graph Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
  グラフシフト演算子(GSO)の適応推定のためのオンラインアルゴリズムであるAdaCGPを導入する。 シミュレーションにより、AdaCGPは様々なグラフトポロジに対して一貫して良好に機能し、GSO推定において82%以上の改善が達成されることを示す。 AdaCGPのグラフ構造の変化を追跡する能力は、抗不整脈薬による心室細動動態の記録に示されている。
  論文  参考訳（メタデータ） (2024-11-03T13:43:51Z)
• Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
  g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。 パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。 NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T21:00:46Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes [29.250837221920925]
  本稿では,動的および時間的処理戦略の下での対実結果予測のためのG-Transformerを提案する。 我々のアプローチはTransformerアーキテクチャを利用して、時間変化の共変量における複雑な長距離依存関係をキャプチャする。 G-Transformerは、これらの設定において、古典的および最先端の対実予測モデルの両方を上回っている。
  論文  参考訳（メタデータ） (2024-06-08T16:04:33Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
  既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。 本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-06T13:18:31Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。