論文の概要: Targeted Optimal Treatment Regime Learning Using Summary Statistics
- arxiv url: http://arxiv.org/abs/2201.06229v1
- Date: Mon, 17 Jan 2022 06:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 18:40:48.023594
- Title: Targeted Optimal Treatment Regime Learning Using Summary Statistics
- Title（参考訳）: 要約統計を用いた最適治療レジーム学習
- Authors: Jianing Chu, Wenbin Lu, Shu Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.767669486030352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized decision-making, aiming to derive optimal individualized
treatment rules (ITRs) based on individual characteristics, has recently
attracted increasing attention in many fields, such as medicine, social
services, and economics. Current literature mainly focuses on estimating ITRs
from a single source population. In real-world applications, the distribution
of a target population can be different from that of the source population.
Therefore, ITRs learned by existing methods may not generalize well to the
target population. Due to privacy concerns and other practical issues,
individual-level data from the target population is often not available, which
makes ITR learning more challenging. We consider an ITR estimation problem
where the source and target populations may be heterogeneous, individual data
is available from the source population, and only the summary information of
covariates, such as moments, is accessible from the target population. We
develop a weighting framework that tailors an ITR for a given target population
by leveraging the available summary statistics. Specifically, we propose a
calibrated augmented inverse probability weighted estimator of the value
function for the target population and estimate an optimal ITR by maximizing
this estimator within a class of pre-specified ITRs. We show that the proposed
calibrated estimator is consistent and asymptotically normal even with flexible
semi/nonparametric models for nuisance function approximation, and the variance
of the value estimator can be consistently estimated. We demonstrate the
empirical performance of the proposed method using simulation studies and a
real application to an eICU dataset as the source sample and a MIMIC-III
dataset as the target sample.
- Abstract（参考訳）: パーソナライズド・意思決定は、個人的特徴に基づく最適な個別化された治療規則(itr)を導出することを目的としており、近年、医学、社会サービス、経済学など多くの分野で注目を集めている。
現在の文献は主に単一源集団からのITRの推定に焦点を当てている。
実世界のアプリケーションでは、ターゲット人口の分布はソース人口の分布とは異なる可能性がある。
したがって、既存の手法で学んだitrは、ターゲット人口に対してうまく一般化できない。
プライバシの懸念やその他の実用上の問題により、ターゲット人口からの個人レベルのデータが入手できないことが多く、ITR学習がより困難になる。
対象個体群とソース個体群が異種である可能性があり、ソース個体群から個々のデータが得られ、モーメントなどの共変量の要約情報のみが対象個体群からアクセス可能である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校正された逆確率重み付き推定器を提案し、この推定器を予め特定されたITRのクラス内で最大化することにより最適なIRRを推定する。
提案手法は, ニュアンス関数近似のためのフレキシブルな半/非パラメトリックモデルであっても, キャリブレーション推定器は一貫性があり, 漸近的に正常であることを示す。
提案手法の実証的な性能をシミュレーションで検証し,eICUデータセットをソースサンプルとし,MIMIC-IIIデータセットをターゲットサンプルとする実例を示した。
関連論文リスト
- LEARNER: A Transfer Learning Method for Low-Rank Matrix Estimation [5.117628843022369]
本稿では,対象個体群と対象個体群間の潜在列と列空間の類似性を利用して,対象個体群の推定を改善する手法を提案する。
LEARNERは,対象個体群と対象個体群間の遅延列と列空間の違いをペナルティ化する,対象個体群データの低ランク近似を行う。
論文 参考訳（メタデータ） (2024-12-29T22:26:16Z) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-06-06T17:37:39Z) - Distributed Personalized Empirical Risk Minimization [19.087524494290676]
本稿では、異種データからの学習を容易にするために、新たなパラダイムであるPersonalized Empirical Risk Minimization(PERM)を提案する。
本稿では,標準モデル平均化をモデルシャッフルに置き換えた分散アルゴリズムを提案し,すべてのデバイスに対してPERM目標を同時に最適化する。
論文 参考訳（メタデータ） (2023-10-26T20:07:33Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - 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) - BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
非決定論的分布を前提とした新しい学習パラダイムを提案する。
提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
論文 参考訳（メタデータ） (2022-03-31T05:19:38Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Robust Sample Weighting to Facilitate Individualized Treatment Rule
Learning for a Target Population [6.1210839791227745]
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。
論文 参考訳（メタデータ） (2021-05-03T00:05:18Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z)
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。