論文の概要: Identifying Patient-Specific Root Causes with the Heteroscedastic Noise Model

• arxiv url: http://arxiv.org/abs/2205.13085v2
• Date: Thu, 6 Jul 2023 20:22:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 16:14:27.711759
• Title: Identifying Patient-Specific Root Causes with the Heteroscedastic Noise Model
• Title（参考訳）: Heteroscedastic noise modelによる患者特異的ルートの同定
• Authors: Eric V. Strobl, Thomas A. Lasko
• Abstract要約: 本研究は, 患者特異的根本原因の同定に焦点をあて, 構造方程式モデルにおける誤差項の標本特異的予測性について考察する。 Generalized Root Causal Inference (GRCI) と呼ばれるアルゴリズムを用いてエラー項を正しく抽出する。
• 参考スコア（独自算出の注目度）: 10.885111578191564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex diseases are caused by a multitude of factors that may differ between patients even within the same diagnostic category. A few underlying root causes may nevertheless initiate the development of disease within each patient. We therefore focus on identifying patient-specific root causes of disease, which we equate to the sample-specific predictivity of the exogenous error terms in a structural equation model. We generalize from the linear setting to the heteroscedastic noise model where $Y = m(X) + \varepsilon\sigma(X)$ with non-linear functions $m(X)$ and $\sigma(X)$ representing the conditional mean and mean absolute deviation, respectively. This model preserves identifiability but introduces non-trivial challenges that require a customized algorithm called Generalized Root Causal Inference (GRCI) to extract the error terms correctly. GRCI recovers patient-specific root causes more accurately than existing alternatives.
• Abstract（参考訳）: 複雑な疾患は、同一の診断カテゴリー内でも患者によって異なる様々な要因によって引き起こされる。 根底にあるいくつかの原因は、それぞれの患者で疾患の発生を引き起こす可能性がある。 そこで我々は,構造方程式モデルにおける外因性誤り項の標本特異的な予測値に類似した疾患の患者固有の根本原因の同定に焦点をあてた。 y = m(x) + \varepsilon\sigma(x)$ で条件付き平均と平均絶対偏差を表す非線型関数 $m(x)$ と $\sigma(x)$ を持つような、線形設定からヘテロシドスティックノイズモデルへ一般化する。 このモデルは識別可能性を保持しますが、エラー項を正しく抽出するために一般化ルート因果推論(grci)と呼ばれるカスタマイズアルゴリズムを必要とする非自明な課題を導入します。 GRCIは、既存の代替品よりも患者固有の根本原因を正確に回復する。

関連論文リスト

• Quantifying the Sensitivity of Inverse Reinforcement Learning to Misspecification [72.08225446179783]
  逆強化学習は、エージェントの行動からエージェントの好みを推測することを目的としている。 これを行うには、$pi$が$R$とどのように関係しているかの振る舞いモデルが必要です。 我々は、IRL問題が行動モデルの不特定性にどれほど敏感であるかを分析する。
  論文  参考訳（メタデータ） (2024-03-11T16:09:39Z)
• Towards frugal unsupervised detection of subtle abnormalities in medical imaging [0.0]
  医用画像における異常検出は、異常が注釈付けされていない状況では難しい課題である。 汎用性が広く認識されている確率分布の混合について検討する。 このオンラインアプローチは、新たに診断されたパーキンソン病患者の追跡において、MR脳スキャンの微妙な異常の検出が困難であることを示すものである。
  論文  参考訳（メタデータ） (2023-09-04T07:44:54Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Counterfactual Formulation of Patient-Specific Root Causes of Disease [7.6146285961466]
  根の疾患の原因は、診断の可能性を高める根の頂点に直感的に対応している。 以前の研究では、パールズ・ラダー・オブ・コーセーション(英語版)の第2ランにしか登らない介入主義者のアカウントを使用して、患者固有の疾患の根本原因を定義していた。 固定された事実データのみに基づく臨床的直観に一致する対実的定義を提案する。
  論文  参考訳（メタデータ） (2023-05-27T20:24:27Z)
• Sample-Specific Root Causal Inference with Latent Variables [10.885111578191564]
  ルート因果解析は、望ましくない結果を引き起こす初期摂動の集合を同定しようとする。 我々はShapley値を用いて予測率を厳格に定量化した。 本稿では, 汚染条件を回復するために, 抽出エラー (Extract Errors with Latents, EEL) と呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2022-10-27T11:33:26Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Identifying Patient-Specific Root Causes of Disease [10.885111578191564]
  複雑な疾患は、患者によって異なるさまざまな要因によって引き起こされる。 非常に予測可能な根本原因のいくつかは、いずれにせよ各患者に疾患を発生させる可能性がある。
  論文  参考訳（メタデータ） (2022-05-23T20:54:24Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。