論文の概要: GraphITE: Estimating Individual Effects of Graph-structured Treatments
- arxiv url: http://arxiv.org/abs/2009.14061v3
- Date: Sun, 12 Sep 2021 11:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 05:25:17.139842
- Title: GraphITE: Estimating Individual Effects of Graph-structured Treatments
- Title(参考訳): GraphITE:グラフ構造化治療の効果を推定する
- Authors: Shonosuke Harada and Hisashi Kashima
- Abstract要約: 応用によっては、治療の回数が大幅に増加することもある。
本研究では,薬物などのグラフ構造化処理における結果推定問題について考察する。
提案手法であるGraphITEは,グラフニューラルネットワークを用いてグラフ構造化処理の表現を学習する。
- 参考スコア(独自算出の注目度): 21.285425135761795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outcome estimation of treatments for target individuals is an important
foundation for decision making based on causal relations. Most existing outcome
estimation methods deal with binary or multiple-choice treatments; however, in
some applications, the number of treatments can be significantly large, while
the treatments themselves have rich information. In this study, we considered
one important instance of such cases: the outcome estimation problem of
graph-structured treatments such as drugs. Owing to the large number of
possible treatments, the counterfactual nature of observational data that
appears in conventional treatment effect estimation becomes more of a concern
for this problem. Our proposed method, GraphITE (pronounced "graphite") learns
the representations of graph-structured treatments using graph neural networks
while mitigating observation biases using Hilbert-Schmidt Independence
Criterion regularization, which increases the independence of the
representations of the targets and treatments. Experiments on two real-world
datasets show that GraphITE outperforms baselines, especially in cases with a
large number of treatments.
- Abstract(参考訳): 対象者に対する治療結果の推定は因果関係に基づく意思決定の重要な基盤である。
既存の結果推定手法は2次的または複数選択的治療に対処するが、いくつかの応用では治療の数が大幅に増加し、処理自体に豊富な情報がある。
本研究では,このような症例の1つの重要な例を検討した。薬物などのグラフ構造化治療の結果推定問題である。
多くの治療が可能であるため、従来の治療効果推定に現れる観測データの非現実的な性質が問題となる。
提案手法であるグラファイト(graphite)は,グラフニューラルネットワークを用いてグラフ構造処理の表現を学習し,ヒルベルト・シュミット独立基準正規化を用いて観察バイアスを軽減し,対象の表現と処理の独立性を高める。
2つの実世界のデータセットの実験では、GraphITEはベースライン、特に多くの治療を受けた場合において、パフォーマンスが向上している。
関連論文リスト
- Treatment Effect Estimation for Graph-Structured Targets [19.994206291423666]
Graph-target Treatment Effect Estimation (GraphTEE)は、グラフ構造化対象に対する治療効果を推定するフレームワークである。
バイアス緩和の観点から,GraphTEEの優れた性能に関する理論的解析を行った。
論文 参考訳(メタデータ) (2024-12-29T11:21:17Z) - Disentangled Graph Autoencoder for Treatment Effect Estimation [1.361700725822891]
本稿では,ネットワーク化された観測データに対する処理効果推定のための非交叉変分グラフオートエンコーダを提案する。
我々のグラフエンコーダは、潜伏因子を、ヒルベルト・シュミット独立基準を用いて因子独立を強制しながら、楽器的、障害的、調整的、ノイズ的な要因に分解する。
論文 参考訳(メタデータ) (2024-12-19T03:44:49Z) - 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) - I See, Therefore I Do: Estimating Causal Effects for Image Treatments [3.372747046563984]
NICE (Network for Image Treatments Causal Effect Estimation) というモデルを提案する。
NICEは、画像治療におけるリッチな多次元情報を利用する効果的な方法を示し、因果効果の推定を改善するのに役立つ。
論文 参考訳(メタデータ) (2024-11-28T04:40:15Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳(メタデータ) (2022-02-25T18:59:54Z) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-05T10:39:31Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - 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。