論文の概要: Synthesized Difference in Differences

• arxiv url: http://arxiv.org/abs/2105.00455v1
• Date: Sun, 2 May 2021 12:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 14:12:35.356154
• Title: Synthesized Difference in Differences
• Title（参考訳）: 差の合成差
• Authors: Eric V. Strobl, Thomas A. Lasko
• Abstract要約: 追加データを用いてDDの条件バージョンを直線的に調整し、正しい斜面を推定する合成差分(SDD)を提案する。 このアルゴリズムは、rctが患者の大半を除外した場合でも、複数の合成データセットと実際のデータセットにわたる技術性能の状態を実現できる。
• 参考スコア（独自算出の注目度）: 9.9624724132918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Randomized clinical trials (RCTs) eliminate confounding but impose strict exclusion criteria that prevent sampling of the entire clinical population. Observational datasets are more inclusive but suffer from confounding. Difference in Differences (DD) eliminates confounding from observational data by comparing outcomes before and after treatment administration. However, the algorithm requires a parallel slopes assumption that may not apply in practice when confounding shifts across time. In this paper, we propose Synthesized Difference in Differences (SDD) that infers the correct (possibly non-parallel) slopes by linearly adjusting a conditional version of DD using additional RCT data. The algorithm achieves state of the art performance across multiple synthetic and real datasets even when the RCT excludes the majority of patients.
• Abstract（参考訳）: ランダム化臨床試験 (Randomized Clinical trials, RCTs) は、臨床集団全体のサンプリングを防ぐために厳格な除外基準を課す。 観測データセットは包括的だが、欠点がある。 差分(DD)は治療前後の結果を比較することにより観察データとの相違を解消する。 しかし、このアルゴリズムは、時間にまたがるシフトを結合する場合に実際に適用できないパラレルスロープの仮定を必要とする。 本稿では,追加のRCTデータを用いてDDの条件付きバージョンを線形に調整することにより,正しい(おそらくは非並列な)勾配を推定するSynthesized difference in differences (SDD)を提案する。 このアルゴリズムは、rctが患者の大半を除外した場合でも、複数の合成データセットと実際のデータセットにわたる技術性能の状態を実現できる。

関連論文リスト

• Not All Samples Should Be Utilized Equally: Towards Understanding and Improving Dataset Distillation [57.6797306341115]
  我々は,サンプル難易度の観点から,マッチングに基づくDD手法の理解に向けて最初の一歩を踏み出した。 次に、データプルーニングのニューラルネットワークスケーリング法則をDDに拡張し、これらのマッチングベースの手法を理論的に説明する。 SDC(Sampple Difficulty Correction)アプローチを導入し、より簡単なサンプルを生成して、より高いデータセット品質を実現する。
  論文  参考訳（メタデータ） (2024-08-22T15:20:32Z)
• Simultaneous Dimensionality Reduction: A Data Efficient Approach for Multimodal Representations Learning [0.0]
  次元性還元(DR):独立次元性還元(IDR)と同時次元性還元(SDR)の2つの主要クラスを探索する。 IDRでは、各モダリティは独立に圧縮され、可能な限り各モダリティに多くのばらつきを保持するよう努力する。 SDRでは、モダリティを同時に圧縮して、削減された記述間の共変を最大化し、個々の変動がどれだけ保存されているかに注意を払わない。
  論文  参考訳（メタデータ） (2023-10-05T04:26:24Z)
• Improving ICD-based semantic similarity by accounting for varying degrees of comorbidity [39.58317527488534]
  疾患と関連する健康問題(ICD)の国際統計分類は、疾患をコードするために世界中で使用されている。 意味的類似性アルゴリズムを用いて、ICDコードに基づく患者の類似性を計算することができる。 ICD-code セットに基づく意味的類似性の観点から,80種類の確立されたアルゴリズムの組み合わせの性能を比較した。
  論文  参考訳（メタデータ） (2023-08-14T14:56:07Z)
• Toward Asymptotic Optimality: Sequential Unsupervised Regression of Density Ratio for Early Classification [11.470070927586017]
  時系列の早期分類に理論的に着想を得た逐次密度比推定(SDRE)アルゴリズムを提案する。 2つの新しいSPRTベースのアルゴリズムであるB2Bsqrt-TANDEMとTANDEMformerは、SDRの正確な教師なし回帰に対する過正規化問題を回避するために設計されている。
  論文  参考訳（メタデータ） (2023-02-20T07:20:53Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data [59.26381272149325]
  異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。 muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。 提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-19T22:02:21Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現す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） (2020-05-06T13:03:42Z)

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。