論文の概要: Sequential Deconfounding for Causal Inference with Unobserved Confounders

• arxiv url: http://arxiv.org/abs/2104.09323v1
• Date: Fri, 16 Apr 2021 09:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 14:21:08.924132
• Title: Sequential Deconfounding for Causal Inference with Unobserved Confounders
• Title（参考訳）: 非観察的共同設立者による因果推論の逐次分解
• Authors: Tobias Hatt, Stefan Feuerriegel
• Abstract要約: 個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
• 参考スコア（独自算出の注目度）: 18.586616164230566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using observational data to estimate the effect of a treatment is a powerful tool for decision-making when randomized experiments are infeasible or costly. However, observational data often yields biased estimates of treatment effects, since treatment assignment can be confounded by unobserved variables. A remedy is offered by deconfounding methods that adjust for such unobserved confounders. In this paper, we develop the Sequential Deconfounder, a method that enables estimating individualized treatment effects over time in presence of unobserved confounders. This is the first deconfounding method that can be used in a general sequential setting (i.e., with one or more treatments assigned at each timestep). The Sequential Deconfounder uses a novel Gaussian process latent variable model to infer substitutes for the unobserved confounders, which are then used in conjunction with an outcome model to estimate treatment effects over time. We prove that using our method yields unbiased estimates of individualized treatment responses over time. Using simulated and real medical data, we demonstrate the efficacy of our method in deconfounding the estimation of treatment responses over time.
• Abstract（参考訳）: 観察データを用いて治療の効果を推定することは、ランダム化実験が実現不可能またはコストがかかる場合、意思決定の強力なツールである。 しかしながら、観測データはしばしば、治療の割り当ては観測されていない変数によって構成できるため、治療効果の偏りが見積もられる。 修正は、そのような監視されていない共同創設者に適応するメソッドのデコンファウンディングによって提供される。 本稿では、未保存の共同設立者の存在下で、時間とともに個別化された治療効果を推定できるSequential Deconfounderを開発する。 これは、一般的なシーケンシャルな設定(すなわち、各時間ステップに1つ以上の処理を割り当てる)で使用できる最初の分解方法である。 シーケンシャルデコンビナータは、新しいガウス過程潜在変数モデルを用いて、観察されていないコンビナータの代用品を推測し、その結果モデルと併用して、経時的治療効果を推定する。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。 シミュレーションおよび実際の医療データを用いて、時間とともに治療反応を推定する手法の有効性を実証した。

関連論文リスト

• Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
  本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。 本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
  論文  参考訳（メタデータ） (2024-10-28T15:10:43Z)
• Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
  公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T05:45:53Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。