論文の概要: High-dimensional Inference for Dynamic Treatment Effects

• arxiv url: http://arxiv.org/abs/2110.04924v4
• Date: Tue, 16 May 2023 03:37:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 20:14:18.324892
• Title: High-dimensional Inference for Dynamic Treatment Effects
• Title（参考訳）: 動的治療効果の高次元推論
• Authors: Jelena Bradic, Weijie Ji and Yuqian Zhang
• Abstract要約: 本稿では,中間条件付き結果モデルに対する新しいDR表現を提案する。 私たちの結果は、新しい堅牢性を保証するため、大きな一歩を踏み出します。
• 参考スコア（独自算出の注目度）: 11.688030627514532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating dynamic treatment effects is a crucial endeavor in causal inference, particularly when confronted with high-dimensional confounders. Doubly robust (DR) approaches have emerged as promising tools for estimating treatment effects due to their flexibility. However, we showcase that the traditional DR approaches that only focus on the DR representation of the expected outcomes may fall short of delivering optimal results. In this paper, we propose a novel DR representation for intermediate conditional outcome models that leads to superior robustness guarantees. The proposed method achieves consistency even with high-dimensional confounders, as long as at least one nuisance function is appropriately parametrized for each exposure time and treatment path. Our results represent a significant step forward as they provide new robustness guarantees. The key to achieving these results is our new DR representation, which offers superior inferential performance while requiring weaker assumptions. Lastly, we confirm our findings in practice through simulations and a real data application.
• Abstract（参考訳）: 動的治療効果の推定は因果推論において重要な取り組みであり、特に高次元共同創設者と向き合う場合である。 二重堅牢(DR)アプローチは、柔軟性による治療効果を推定するための有望なツールとして現れている。 しかし,予測結果のDR表現にのみ焦点をあてる従来のDRアプローチは,最適結果の達成に欠く可能性があることを示す。 本稿では,中間条件付き結果モデルに対する新しいDR表現を提案する。 提案手法は, 被曝時間および処理経路ごとに少なくとも1つのニュアサンス関数が適切にパラメトリ化されている限り, 高次元の共起者に対しても一貫性を実現する。 私たちの結果は、新しい堅牢性を保証するため、大きな前進を示しています。 これらの結果を達成するための鍵は我々の新しいDR表現であり、より弱い仮定を必要としながらより優れた推論性能を提供する。 最後に,本研究の成果をシミュレーションと実データ応用によって確認する。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data [7.712429926730386]
  因果深い学習は、個別化された治療効果を推定する伝統的な手法よりも改善された。 DR-VIDALは治療と結果の2つのジョイントモデルを組み合わせた新しい生成フレームワークである。 DR-VIDALは、合成および実世界のデータセットにおいて、他の生成的および生成的手法よりも優れた性能を達成する。
  論文  参考訳（メタデータ） (2023-03-07T19:44:58Z)
• 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)
• Dynamic treatment effects: high-dimensional inference under model misspecification [11.688030627514532]
  動的治療効果の推定は様々な分野において不可欠である。 本稿では,治療課題と結果モデルの両方に対して,新しいロバストな推定器を提案する。
  論文  参考訳（メタデータ） (2021-11-12T17:05:47Z)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Regret Minimization for Causal Inference on Large Treatment Space [21.957539112375496]
  本稿では,偏りのある観測データから偏りのある表現を抽出するネットワークアーキテクチャと正規化器を提案する。 提案した損失は、アクションが個々のターゲットに対して比較的良いかどうかの分類誤差を最小限に抑える。
  論文  参考訳（メタデータ） (2020-06-10T02:19:48Z)
• Decomposed Adversarial Learned Inference [118.27187231452852]
  我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。 DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。 MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-21T20:00:35Z)

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。