論文の概要: Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies

• arxiv url: http://arxiv.org/abs/2112.03013v1
• Date: Mon, 6 Dec 2021 13:14:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 15:02:35.355347
• Title: Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies
• Title（参考訳）: Deconfounding Temporal Autoencoder:ノイズプロキシを用いた時間的処理効果の推定
• Authors: Milan Kuzmanovic, Tobias Hatt, Stefan Feuerriegel
• Abstract要約: 個別化治療効果(ITE)を観察データから推定することは意思決定に不可欠である。 我々は,観測された雑音のプロキシを利用して隠れ埋め込みを学習する新しい手法であるDeconfounding Temporal Autoencoderを開発した。 我々は、最先端のベンチマークを実質的なマージンで改善することで、DTAの有効性を実証する。
• 参考スコア（独自算出の注目度）: 15.733136147164032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating individualized treatment effects (ITEs) from observational data is crucial for decision-making. In order to obtain unbiased ITE estimates, a common assumption is that all confounders are observed. However, in practice, it is unlikely that we observe these confounders directly. Instead, we often observe noisy measurements of true confounders, which can serve as valid proxies. In this paper, we address the problem of estimating ITE in the longitudinal setting where we observe noisy proxies instead of true confounders. To this end, we develop the Deconfounding Temporal Autoencoder, a novel method that leverages observed noisy proxies to learn a hidden embedding that reflects the true hidden confounders. In particular, the DTA combines a long short-term memory autoencoder with a causal regularization penalty that renders the potential outcomes and treatment assignment conditionally independent given the learned hidden embedding. Once the hidden embedding is learned via DTA, state-of-the-art outcome models can be used to control for it and obtain unbiased estimates of ITE. Using synthetic and real-world medical data, we demonstrate the effectiveness of our DTA by improving over state-of-the-art benchmarks by a substantial margin.
• Abstract（参考訳）: 観察データから個別治療効果(ites)を推定することは意思決定に不可欠である。 偏りのない ite 推定を得るためには、すべての共同設立者が観察されるという仮定が一般的である。 しかし実際には、これらの共同創設者を直接観察することはありそうにない。 代わりに私たちは、正しいプロキシとして機能する真の共同創設者のノイズ測定をしばしば観察します。 本稿では,実際の共同創設者ではなく,ノイズの多いプロキシを観測する縦方向設定において,iteを推定する問題に対処する。 この目的のために我々は,観測されたノイズプロキシを活用して,真の隠れた共同創設者を反映する隠れた埋め込みを学習する新しい手法である,デコンファウンディング・テンポラリ・オートエンコーダを開発した。 特に、dtaは長期の短期記憶オートエンコーダと因果正規化ペナルティを組み合わせることで、学習された隠れた埋め込みによって潜在的な結果と治療割り当てを条件付きで独立にすることができる。 隠された埋め込みをDTAで学習すると、最先端の結果モデルを使用して制御し、不偏のITE推定値を得ることができる。 人工的および実世界の医療データを用いて、最先端のベンチマークを実質的なマージンで改善することで、DTAの有効性を実証する。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
  隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。 制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩 合成データセットと実世界のデータセットの両方の実験は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
  論文  参考訳（メタデータ） (2023-02-19T00:28:20Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Variational Temporal Deconfounder for Individualized Treatment Effect Estimation from Longitudinal Observational Data [8.347630187110004]
  経年的観察データから治療効果を推定するための既存のアプローチは、通常「不整合性」という強い仮定に基づいて構築される。 本稿では, プロキシを用いた縦方向設定における深部変分埋め込みを応用した変分時間デコノミー(VTD)を提案する。 我々は,本手法を人工的および実世界の臨床データの両方で検証し,本手法が他の既存モデルと比較して有意な偏りを隠蔽する場合に有効であることを示した。
  論文  参考訳（メタデータ） (2022-07-23T16:43:12Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  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。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• Quantifying Ignorance in Individual-Level Causal-Effect Estimates under Hidden Confounding [38.09565581056218]
  共同設立者による高次元観測データから条件付き平均治療効果(CATE)の学習問題について検討した。 高次元データに適した新しいパラメトリック間隔推定器を提案する。
  論文  参考訳（メタデータ） (2021-03-08T15:58:06Z)
• Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
  医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。 既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。 時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-08-27T02:21:56Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。