論文の概要: Counterfactual Generative Models for Time-Varying Treatments

• arxiv url: http://arxiv.org/abs/2305.15742v5
• Date: Sat, 13 Jul 2024 08:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 05:18:31.681014
• Title: Counterfactual Generative Models for Time-Varying Treatments
• Title（参考訳）: 時変処理におけるファクトファクチュアル生成モデル
• Authors: Shenghao Wu, Wenbin Zhou, Minshuo Chen, Shixiang Zhu,
• Abstract要約: 公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
• 参考スコア（独自算出の注目度）: 15.208067770012283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the counterfactual outcome of treatment is essential for decision-making in public health and clinical science, among others. Often, treatments are administered in a sequential, time-varying manner, leading to an exponentially increased number of possible counterfactual outcomes. Furthermore, in modern applications, the outcomes are high-dimensional and conventional average treatment effect estimation fails to capture disparities in individuals. To tackle these challenges, we propose a novel conditional generative framework capable of producing counterfactual samples under time-varying treatment, without the need for explicit density estimation. Our method carefully addresses the distribution mismatch between the observed and counterfactual distributions via a loss function based on inverse probability re-weighting, and supports integration with state-of-the-art conditional generative models such as the guided diffusion and conditional variational autoencoder. We present a thorough evaluation of our method using both synthetic and real-world data. Our results demonstrate that our method is capable of generating high-quality counterfactual samples and outperforms the state-of-the-art baselines.
• Abstract（参考訳）: 公衆衛生や臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 多くの場合、治療はシーケンシャルで、時間的に異なる方法で行われ、結果として起こりうる対実的な結果が指数関数的に増加する。 さらに、現代の応用では、結果は高次元であり、従来の平均処理効果推定では個人間の格差を捉えることができない。 これらの課題に対処するために, 時間変化処理下で, 明示的な密度推定を必要とせず, 対実的なサンプルを生成できる新しい条件生成フレームワークを提案する。 提案手法は,逆確率再重み付けに基づく損失関数を用いて観測された分布と反事実分布の分布ミスマッチを慎重に処理し,誘導拡散や条件変分オートエンコーダなどの最先端条件生成モデルとの統合を支援する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。 提案手法は,高品質な反ファクトサンプルを生成でき,最先端のベースラインよりも優れていることを示す。

関連論文リスト

• Conformal Prediction for Dose-Response Models with Continuous Treatments [0.23213238782019321]
  本稿では,線量応答モデルに対する予測区間を生成する新しい手法を提案する。 重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。
  論文  参考訳（メタデータ） (2024-09-30T15:40:54Z)
• Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
  個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。 本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:35:08Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
  Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。 さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
  論文  参考訳（メタデータ） (2021-07-07T22:20:24Z)
• 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)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
  そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。 既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
  論文  参考訳（メタデータ） (2020-06-11T01:03:32Z)
• 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。