論文の概要: Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes

• arxiv url: http://arxiv.org/abs/2209.04142v5
• Date: Thu, 15 Jun 2023 14:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 03:44:28.914361
• Title: Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes
• Title（参考訳）: 治療の順序と成果からの政策介入の因果モデリング
• Authors: \c{C}a\u{g}lar H{\i}zl{\i}, ST John, Anne Juuti, Tuure Saarinen, Kirsi Pietil\"ainen, Pekka Marttinen
• Abstract要約: データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。 実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
• 参考スコア（独自算出の注目度）: 5.107614397012659
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A treatment policy defines when and what treatments are applied to affect some outcome of interest. Data-driven decision-making requires the ability to predict what happens if a policy is changed. Existing methods that predict how the outcome evolves under different scenarios assume that the tentative sequences of future treatments are fixed in advance, while in practice the treatments are determined stochastically by a policy and may depend, for example, on the efficiency of previous treatments. Therefore, the current methods are not applicable if the treatment policy is unknown or a counterfactual analysis is needed. To handle these limitations, we model the treatments and outcomes jointly in continuous time, by combining Gaussian processes and point processes. Our model enables the estimation of a treatment policy from observational sequences of treatments and outcomes, and it can predict the interventional and counterfactual progression of the outcome after an intervention on the treatment policy (in contrast with the causal effect of a single treatment). We show with real-world and semi-synthetic data on blood glucose progression that our method can answer causal queries more accurately than existing alternatives.
• Abstract（参考訳）: 治療方針は、いつ、どの治療が関心のある結果に影響を及ぼすかを定義する。 データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 異なるシナリオの下で結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定し、実際には、治療はポリシーによって確率的に決定され、例えば、以前の治療の効率に依存する可能性がある。 したがって、治療方針が不明であったり、逆解析が必要な場合、現在の手法は適用されない。 これらの制限に対処するために,ガウス過程と点過程を組み合わせることで,処理と成果を連続的にモデル化する。 本モデルでは, 治療と結果の観察的シーケンスから治療方針を推定し, 治療方針への介入後の結果の介入的・反事実的進展を予測できる(単一治療の因果効果とは対照的に)。 血液グルコースの進行に関する実世界および半合成データを用いて,既存の方法よりも因果関係を正確に解答できることを示す。

関連論文リスト

• Are causal effect estimations enough for optimal recommendations under multitreatment scenarios? [2.4578723416255754]
  異なる治療やコントロール下での潜在的な結果を比較するために、因果効果推定分析を含めることが不可欠である。 マルチトリートメント選択のための包括的方法論を提案する。
  論文  参考訳（メタデータ） (2024-10-07T16:37:35Z)
• Learning When to Treat Business Processes: Prescriptive Process Monitoring with Causal Inference and Reinforcement Learning [0.8318686824572804]
  プロセスの成功率の増加、すなわち、ポジティブな結果に終わるケースの割合は、反復的なプロセス改善の目標である。 本稿では,意思決定作業を自動化する規範的モニタリング手法を提案する。 因果推論と強化学習を組み合わせて、ネットゲインを最大化する治療方針を学習する。
  論文  参考訳（メタデータ） (2023-03-07T00:46:04Z)
• 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)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• 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)
• 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)
• Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
  因果推論の中心は介入戦略の処理効果推定である。 既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。 介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-28T00:11:22Z)
• 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)
• Treatment Policy Learning in Multiobjective Settings with Fully Observed Outcomes [6.944742823560999]
  個別化された治療方針を学習するための3つのアプローチを提示し、比較し、評価する。 我々は,全てのアプローチが臨床医よりも厳格に優れた成績を得られる政策を学習していることを示す。
  論文  参考訳（メタデータ） (2020-06-01T13:22:51Z)
• 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)

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。