論文の概要: A Reinforcement Learning Framework for Dynamic Mediation Analysis

• arxiv url: http://arxiv.org/abs/2301.13348v1
• Date: Tue, 31 Jan 2023 00:50:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 18:10:51.558541
• Title: A Reinforcement Learning Framework for Dynamic Mediation Analysis
• Title（参考訳）: 動的メディエーション分析のための強化学習フレームワーク
• Authors: Lin Ge, Jitao Wang, Chengchun Shi, Zhenke Wu, Rui Song
• Abstract要約: 無限地平線設定における動的媒介効果を評価するための強化学習フレームワークを提案する。 平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。 我々はこれらの因果効果を推定するために、RLフレームワークの下で頑健で半パラメトリックで効率的な推定器を開発する。
• 参考スコア（独自算出の注目度）: 10.025378742018242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mediation analysis learns the causal effect transmitted via mediator variables between treatments and outcomes and receives increasing attention in various scientific domains to elucidate causal relations. Most existing works focus on point-exposure studies where each subject only receives one treatment at a single time point. However, there are a number of applications (e.g., mobile health) where the treatments are sequentially assigned over time and the dynamic mediation effects are of primary interest. Proposing a reinforcement learning (RL) framework, we are the first to evaluate dynamic mediation effects in settings with infinite horizons. We decompose the average treatment effect into an immediate direct effect, an immediate mediation effect, a delayed direct effect, and a delayed mediation effect. Upon the identification of each effect component, we further develop robust and semi-parametrically efficient estimators under the RL framework to infer these causal effects. The superior performance of the proposed method is demonstrated through extensive numerical studies, theoretical results, and an analysis of a mobile health dataset.
• Abstract（参考訳）: メディエーション分析は、治療と結果の間のメディエーター変数を介して伝達される因果効果を学習し、因果関係を解明するために様々な科学領域で注目される。 現存するほとんどの研究は、各被験者が1つの時点にしか治療を受けないポイント露光の研究に焦点をあてている。 しかし、治療が時間とともに順次割り当てられ、動的メディエーション効果が主要な関心事となるアプリケーション(例えば、モバイルヘルス)が多数存在する。 強化学習(RL)フレームワークを提案することで、無限地平地の設定における動的媒介効果を初めて評価する。 平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。 それぞれの効果成分を同定すると、RLフレームワークの下でより頑健で半パラメトリックで効率的な推定器を開発し、これらの因果効果を推算する。 提案手法の優れた性能は、広範な数値研究、理論的結果、および移動型健康データセットの分析を通じて実証される。

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)
• Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
  複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。 我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。 本手法の有効性を5つの数値シナリオで示す。
  論文  参考訳（メタデータ） (2023-11-14T17:31:50Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions [5.107614397012659]
  因果仲裁分析により、介入の直接効果と間接効果を区別することができる。 動的因果媒介分析への既存のアプローチは、通常の測定間隔に限られている。 本稿では,媒介者を時間点過程とみなす非パラメトリック媒介者-アウトカムモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-16T07:23:28Z)
• Causal Mediation Analysis with Multi-dimensional and Indirectly Observed Mediators [22.68115322836635]
  因果媒介分析は、治療の全体効果を直接的および介在的効果に分解する強力な方法である。 ほとんどのCMA法は、メディエーターは1次元で観測可能であると仮定し、現実のシナリオを単純化する。 複雑かつ間接的に観察されるメディエータを識別可能な可変オートエンコーダ(iVAE)アーキテクチャに基づいて処理できるCMAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-13T17:22:59Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• 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)
• 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)
• 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)
• Nonparametric inference for interventional effects with multiple mediators [0.0]
  より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。 提案した推定器の複数のロバスト性特性を示す。 本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
  論文  参考訳（メタデータ） (2020-01-16T19:05:00Z)

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。