論文の概要: Robust Sample Weighting to Facilitate Individualized Treatment Rule
Learning for a Target Population
- arxiv url: http://arxiv.org/abs/2105.00581v2
- Date: Wed, 14 Jun 2023 17:13:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 04:42:02.399763
- Title: Robust Sample Weighting to Facilitate Individualized Treatment Rule
Learning for a Target Population
- Title（参考訳）: ロバストなサンプル重み付けによるターゲット集団に対する個別化治療ルール学習
- Authors: Rui Chen, Jared D. Huling, Guanhua Chen, Menggang Yu
- Abstract要約: 個別化治療規則(ITR)の学習は、精密医療において重要なトピックである。
情報源から対象集団への最適なITRに対する不特定性の影響を軽減するための重み付けフレームワークを開発した。
本手法は、他の重み付け法と比較して、ターゲット個体数のITR推定を大幅に改善することができる。
- 参考スコア（独自算出の注目度）: 6.1210839791227745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning individualized treatment rules (ITRs) is an important topic in
precision medicine. Current literature mainly focuses on deriving ITRs from a
single source population. We consider the observational data setting when the
source population differs from a target population of interest. Compared with
causal generalization for the average treatment effect which is a scalar
quantity, ITR generalization poses new challenges due to the need to model and
generalize the rules based on a prespecified class of functions which may not
contain the unrestricted true optimal ITR. The aim of this paper is to develop
a weighting framework to mitigate the impact of such misspecification and thus
facilitate the generalizability of optimal ITRs from a source population to a
target population. Our method seeks covariate balance over a non-parametric
function class characterized by a reproducing kernel Hilbert space and can
improve many ITR learning methods that rely on weights. We show that the
proposed method encompasses importance weights and overlap weights as two
extreme cases, allowing for a better bias-variance trade-off in between.
Numerical examples demonstrate that the use of our weighting method can greatly
improve ITR estimation for the target population compared with other weighting
methods.
- Abstract（参考訳）: 個別化治療規則(ITR)の学習は、精密医療において重要なトピックである。
現在の文献は主に単一源集団からITRを誘導することに焦点を当てている。
対象個体群と対象個体群とが異なる場合の観測データ設定について考察する。
スカラー量である平均処理効果の因果一般化と比較すると、ITRの一般化は、制限されない真の最適ITRを含まないかもしれない関数の事前定義されたクラスに基づいて規則をモデル化し一般化する必要があるため、新たな課題をもたらす。
本研究の目的は、このような不特定性の影響を緩和し、ソース集団からターゲット集団への最適なITRの一般化を容易にするための重み付けフレームワークを開発することである。
提案手法は,カーネルヒルベルト空間を再現した非パラメトリック関数クラスに対する共変量バランスを求め,重みに依存する多くのIRR学習法を改善することができる。
提案手法は,重み付けの重要性と重み付けの重み付けを2つの極端なケースとして包含し,その間のバイアス分散トレードオフを改善できることを示す。
数値的な例は,本手法を用いることで,他の重み付け法と比較して,ターゲット個体数のITR推定を大幅に改善できることを示している。
関連論文リスト
- Who Are We Missing? A Principled Approach to Characterizing the Underrepresented Population [5.568543786710628]
最適化に基づく最適化手法であるROOT(Rashomon Set of Optimal Trees)を導入する。
ROOTは、ターゲット平均処理効果推定値の分散を最小化して、ターゲットサブポピュレーション分布を最適化する。
我々の枠組みは、意思決定の精度を高め、多様な集団における将来の試行を通知するための体系的なアプローチを提供する。
論文 参考訳（メタデータ） (2024-01-25T21:11:35Z) - WARM: On the Benefits of Weight Averaged Reward Models [63.08179139233774]
Weight Averaged Reward Models (WARM) を提案する。
最良N法とRL法を用いた要約タスクの実験は、WARMがLLM予測の全体的な品質とアライメントを改善することを示す。
論文 参考訳（メタデータ） (2024-01-22T18:27:08Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-10-09T02:32:57Z) - Global Weighted Tensor Nuclear Norm for Tensor Robust Principal
Component Analysis [25.848106663205865]
本稿では,新しいグローバル重み付きTRPCA法(GWTRPCA)を提案する。
これはフーリエ領域における前頭間スライスと前頭間スライス特異値の重要性を同時に考慮した最初のアプローチである。
このグローバルな情報をエクスプロイトすることで、GWTRPCAはより大きな特異値のペナルティを減らし、より小さな重みを割り当てる。
論文 参考訳（メタデータ） (2022-09-28T13:27:10Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。
ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。
実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
論文 参考訳（メタデータ） (2022-06-24T08:18:05Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Targeted Optimal Treatment Regime Learning Using Summary Statistics [12.767669486030352]
我々は、ソースとターゲットの集団が不均一である可能性のあるITR推定問題を考える。
我々は、利用可能な要約統計を利用して、所定の対象人口に対してITRを調整する重み付けフレームワークを開発する。
具体的には,対象集団の値関数の補正された逆確率重み付き推定器を提案し,最適ITRを推定する。
論文 参考訳（メタデータ） (2022-01-17T06:11:31Z) - Learning Optimal Distributionally Robust Individualized Treatment Rules [3.872376323711463]
政策立案者は、期待される結果、すなわち値関数を最大化する、最も個別化された待遇規則(ITR)を策定する。
既存の方法は、トレーニングとテストの分布が同じであると仮定する。
本稿では,最悪の値関数を最大化する分散ロバストなITRフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:24:25Z) - Comment: Entropy Learning for Dynamic Treatment Regimes [58.442274475425144]
JSLZのアプローチは、逆確率(IPW)に基づく与えられた決定規則の値の拒絶とサンプリングの見積もりと、その解釈を重み付けされた(またはコストに敏感な)分類として利用する。
彼らのスムーズな分類サロゲートの使用は、分布の分析に慎重なアプローチを可能にする。
IPWの推定は、ほとんどのデータを捨てる重みにつながり、残余については非常に変動しているため、問題となる。
論文 参考訳（メタデータ） (2020-04-06T16:11:05Z)
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。