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
- Graph-enabled Reinforcement Learning for Time Series Forecasting with
Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。
GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。
このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文 参考訳(メタデータ) (2023-09-18T22:25:12Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph
Learning [114.72818205974285]
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) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - CARRNN: A Continuous Autoregressive Recurrent Neural Network for Deep
Representation Learning from Sporadic Temporal Data [1.8352113484137622]
本稿では,散発データにおける複数の時間的特徴をモデル化するための新しい深層学習モデルを提案する。
提案モデルはCARRNNと呼ばれ、時間ラグによって変調されたニューラルネットワークを用いてエンドツーエンドにトレーニング可能な一般化された離散時間自己回帰モデルを使用する。
アルツハイマー病進行モデルおよび集中治療単位(ICU)死亡率予測のためのデータを用いて,多変量時系列回帰タスクに適用した。
論文 参考訳(メタデータ) (2021-04-08T12:43:44Z) - 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。