論文の概要: BENK: The Beran Estimator with Neural Kernels for Estimating the
Heterogeneous Treatment Effect
- arxiv url: http://arxiv.org/abs/2211.10793v1
- Date: Sat, 19 Nov 2022 20:36:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 18:38:22.181537
- Title: BENK: The Beran Estimator with Neural Kernels for Estimating the
Heterogeneous Treatment Effect
- Title(参考訳): BENK: ニューラルネットワークを用いたベラン推定器による不均一処理効果の推定
- Authors: Stanislav R. Kirpichenko and Lev V. Utkin and Andrei V. Konstantinov
- Abstract要約: この手法の背景にある主な考え方は、コントロールと治療の生存機能を推定するためにベラン推定器を適用することである。
ニューラルネットワークの形で、ニューラルネットワークと呼ばれる特定の形式のカーネルを実装することが提案されている。
ニューラルネットワークの制御と処理の結果として生存関数を用いて条件平均処理効果を推定する。
- 参考スコア(独自算出の注目度): 4.640835690336653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A method for estimating the conditional average treatment effect under
condition of censored time-to-event data called BENK (the Beran Estimator with
Neural Kernels) is proposed. The main idea behind the method is to apply the
Beran estimator for estimating the survival functions of controls and
treatments. Instead of typical kernel functions in the Beran estimator, it is
proposed to implement kernels in the form of neural networks of a specific form
called the neural kernels. The conditional average treatment effect is
estimated by using the survival functions as outcomes of the control and
treatment neural networks which consists of a set of neural kernels with shared
parameters. The neural kernels are more flexible and can accurately model a
complex location structure of feature vectors. Various numerical simulation
experiments illustrate BENK and compare it with the well-known T-learner,
S-learner and X-learner for several types of the control and treatment outcome
functions based on the Cox models, the random survival forest and the
Nadaraya-Watson regression with Gaussian kernels. The code of proposed
algorithms implementing BENK is available in https://github.com/Stasychbr/BENK.
- Abstract(参考訳): BENK (Beran Estimator with Neural Kernels) と呼ばれる検閲時間対イベントデータの条件下での条件平均処理効果を推定する手法を提案する。
この手法の背後にある主な考え方は、制御と治療の生存機能の推定にberan estimatorを適用することである。
ベラン推定器の典型的なカーネル関数の代わりに、ニューラルカーネルと呼ばれる特定の形式のニューラルネットワークの形でカーネルを実装することが提案されている。
条件付き平均処理効果は、共有パラメータを持つニューラルネットワークの集合からなる制御および処理ニューラルネットワークの結果としてサバイバル関数を用いて推定される。
神経核はより柔軟で、特徴ベクトルの複雑な位置構造を正確にモデル化することができる。
様々な数値シミュレーション実験はBENKを例示し、よく知られたTラーナー、Sラーナー、Xラーナーと比較し、Coxモデル、ランダムサバイバルフォレスト、およびガウス核によるナダラヤ・ワトソン回帰に基づく制御および治療結果関数の様々なタイプについて比較する。
BENKを実装するアルゴリズムのコードはhttps://github.com/Stasychbr/BENKで公開されている。
関連論文リスト
- Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。
圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文 参考訳(メタデータ) (2024-09-19T17:56:16Z) - Enhanced Feature Learning via Regularisation: Integrating Neural Networks and Kernel Methods [0.0]
我々はBrownian Kernel Neural Network (BKerNN) と呼ばれる推定器の効率的な手法を提案する。
BKerNNの予測リスクは、O(min((d/n)1/2, n-1/6)$(対数因子まで)の明示的な高い確率で最小限のリスクに収束することを示す。
論文 参考訳(メタデータ) (2024-07-24T13:46:50Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-10-09T03:55:09Z) - Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。
ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文 参考訳(メタデータ) (2023-04-17T14:23:43Z) - Convolutional neural networks for valid and efficient causal inference [1.5469452301122177]
畳み込みニューラルネットワーク(CNN)は機械学習アプリケーションで成功している。
治療における平均因果効果の半パラメトリック推定におけるニュアンスモデルへのCNNの適用を検討する。
スウェーデン全人口を対象としたデータを用いて,早期退職が入院に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2023-01-27T14:16:55Z) - End-to-End Learning of Deep Kernel Acquisition Functions for Bayesian
Optimization [39.56814839510978]
ニューラルネットワークに基づくカーネルを用いたベイズ最適化のためのメタラーニング手法を提案する。
我々のモデルは、複数のタスクから強化学習フレームワークによって訓練されている。
3つのテキスト文書データセットを用いた実験において,提案手法が既存の手法よりも優れたBO性能を実現することを示す。
論文 参考訳(メタデータ) (2021-11-01T00:42:31Z) - Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。
我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。
我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文 参考訳(メタデータ) (2021-10-21T14:47:06Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳(メタデータ) (2021-04-03T09:08:12Z) - The Promises and Pitfalls of Deep Kernel Learning [13.487684503022063]
簡単なおもちゃの例で, オーバーフィッティングを含む病理学的挙動を同定する。
この病理学を探求し、その起源を説明し、実際のデータセットに適用する方法について考察する。
深層カーネル学習の完全なベイズ処理は、このオーバーフィットを是正し、望ましいパフォーマンス改善を得ることができる。
論文 参考訳(メタデータ) (2021-02-24T07:56:49Z) - Estimation of the Mean Function of Functional Data via Deep Neural
Networks [6.230751621285321]
関数データに対して非パラメトリック回帰を行うディープニューラルネットワーク手法を提案する。
本手法は,アルツハイマー病患者における陽電子放出トモグラフィ画像の解析に用いる。
論文 参考訳(メタデータ) (2020-12-08T17:18:16Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z)
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。