論文の概要: Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time

• arxiv url: http://arxiv.org/abs/2112.03811v1
• Date: Tue, 7 Dec 2021 16:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 15:55:00.681174
• Title: Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time
• Title（参考訳）: 経時的治療効果推定のための異所性反事実再帰ネットワーク
• Authors: Jeroen Berrevoets, Alicia Curth, Ioana Bica, Eoin McKinney, Mihaela van der Schaar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.30985926640659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Choosing the best treatment-plan for each individual patient requires accurate forecasts of their outcome trajectories as a function of the treatment, over time. While large observational data sets constitute rich sources of information to learn from, they also contain biases as treatments are rarely assigned randomly in practice. To provide accurate and unbiased forecasts, we introduce the Disentangled Counterfactual Recurrent Network (DCRN), a novel sequence-to-sequence architecture that estimates treatment outcomes over time by learning representations of patient histories that are disentangled into three separate latent factors: a treatment factor, influencing only treatment selection; an outcome factor, influencing only the outcome; and a confounding factor, influencing both. With an architecture that is completely inspired by the causal structure of treatment influence over time, we advance forecast accuracy and disease understanding, as our architecture allows for practitioners to infer which patient features influence which part in a patient's trajectory, contrasting other approaches in this domain. We demonstrate that DCRN outperforms current state-of-the-art methods in forecasting treatment responses, on both real and simulated data.
• Abstract（参考訳）: 各患者に対して最善の治療計画を選択するには、時間とともに治療の関数として結果の軌跡を正確に予測する必要がある。 大きな観測データセットは、学習すべき豊富な情報ソースを構成するが、実際には処理がランダムに割り当てられることはほとんどないため、バイアスも含んでいる。 患者履歴を3つの要因(治療要因、治療選択に影響を及ぼす要因、結果要因、結果のみに影響を及ぼす要因、双方に影響を及ぼす要因)に分解した患者履歴の表現を学習することで、時間とともに治療結果を推定する新しいシーケンス・ツー・シーケンスアーキテクチャであるDisentangled Counterfactual Recurrent Network (DCRN)を導入する。 治療の影響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により,我々は予測精度と疾患理解を前進させる。このアーキテクチャは,患者が患者の軌跡にどのような影響を与えるのかを推測し,この領域の他のアプローチと対比できる。 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。

関連論文リスト

• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• 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)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• DRTCI: Learning Disentangled Representations for Temporal Causal Inference [24.348119894665054]
  時間によって異なる共同創設者は、将来の治療課題と患者の結果の両方に影響を及ぼす。 最近提案されたCounterfactual Recurrent Networkは、患者データの履歴表現のバランスをとるために、相手のトレーニングを使用することによって、様々な共同設立者について説明している。
  論文  参考訳（メタデータ） (2022-01-20T12:31:04Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• 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)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。