論文の概要: Dynamic Inter-treatment Information Sharing for Heterogeneous Treatment Effects Estimation

• arxiv url: http://arxiv.org/abs/2305.15984v1
• Date: Thu, 25 May 2023 12:23:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 15:17:13.222012
• Title: Dynamic Inter-treatment Information Sharing for Heterogeneous Treatment Effects Estimation
• Title（参考訳）: 不均一処理効果推定のための動的処理間情報共有
• Authors: Vinod Kumar Chauhan, Jiandong Zhou, Soheila Molaei, Ghadeer Ghosheh and David A. Clifton
• Abstract要約: 既存の不均一な処理効果学習者(条件平均処理効果(CATE)学習者)は、エンドツーエンドの処理間情報共有のための一般的なメカニズムを欠いている。 本稿では,治療グループ間の動的エンドツーエンド情報共有を容易にするCATE学習者の学習を支援するための,新しいディープラーニングベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.57021811126133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing heterogeneous treatment effects learners, also known as conditional average treatment effects (CATE) learners, lack a general mechanism for end-to-end inter-treatment information sharing, and data have to be split among potential outcome functions to train CATE learners which can lead to biased estimates with limited observational datasets. To address this issue, we propose a novel deep learning-based framework to train CATE learners that facilitates dynamic end-to-end information sharing among treatment groups. The framework is based on \textit{soft weight sharing} of \textit{hypernetworks}, which offers advantages such as parameter efficiency, faster training, and improved results. The proposed framework complements existing CATE learners and introduces a new class of uncertainty-aware CATE learners that we refer to as \textit{HyperCATE}. We develop HyperCATE versions of commonly used CATE learners and evaluate them on IHDP, ACIC-2016, and Twins benchmarks. Our experimental results show that the proposed framework improves the CATE estimation error via counterfactual inference, with increasing effectiveness for smaller datasets.
• Abstract（参考訳）: 既存のヘテロジニアス治療効果学習者(条件付き平均治療効果(cate)学習者)は、エンド・ツー・エンドの処理間情報共有のための一般的なメカニズムが欠如しており、データは潜在的な結果関数に分割されて、限られた観測データセットでバイアス付き推定に繋がる学習者を訓練する必要がある。 そこで本研究では,治療グループ間でのエンド・ツー・エンド情報を動的に共有する学習者を分類する深層学習型フレームワークを提案する。 このフレームワークは、パラメータ効率、高速トレーニング、改善された結果などの利点を提供する。 提案フレームワークは既存のCATE学習者を補完し,新たな不確実性を考慮したCATE学習者のクラスを導入する。 我々は、よく使われるCATE学習者のHyperCATEバージョンを開発し、IHDP、ACIC-2016、Twinsベンチマークで評価する。 実験結果から,提案手法は,より小さなデータセットに対する有効性の向上とともに,逆ファクト推論によるCATE推定誤差の改善を図っている。

関連論文リスト

• Federated One-Shot Ensemble Clustering [8.883940713319696]
  複数の機関にまたがるクラスタ分析は、データ共有の制限によって大きな課題を引き起こす。 マルチサイト分析に適した新しい解法であるFONTアルゴリズムを導入する。 FONTはサイト間の1ラウンドの通信しか必要とせず、適合したモデルパラメータとクラスラベルのみを交換することでプライバシーを確保する。
  論文  参考訳（メタデータ） (2024-09-12T20:55:21Z)
• Federated Learning for Estimating Heterogeneous Treatment Effects [7.967701699385625]
  ヘテロジニアス処理効果(HTE)を推定するための現在の機械学習アプローチでは、処理毎にかなりの量のデータにアクセスする必要がある。 フェデレートラーニング(Federated Learning)を通じて,組織間におけるHTE推定者の協調学習のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-27T17:33:23Z)
• Mitigating the Effect of Incidental Correlations on Part-based Learning [50.682498099720114]
  部分ベースの表現は、より解釈可能で、限られたデータでより一般化できる。 パートベース表現のための2つの革新的な正規化手法を提案する。 我々は、ベンチマークデータセット上の数ショットの学習タスクに対して、最先端(SoTA)パフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-30T13:44:48Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• TIER-A: Denoising Learning Framework for Information Extraction [4.010975396240077]
  ディープラーニングモデルは、しばしばノイズの多いデータポイントに過度に適合し、パフォーマンスが低下する。 本研究では,オーバーフィッティングプロセスにおける情報エントロピーの役割について検討する。 本稿では,シンプルながら効果的な共同正規化協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-13T11:28:56Z)
• Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation [103.55894890759376]
  本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。 本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
  論文  参考訳（メタデータ） (2022-10-08T16:41:02Z)
• Holistic Deep Learning [3.718942345103135]
  本稿では、入力摂動、過度なパラメータ化、性能不安定といった脆弱性の課題に対処する、新しい総合的なディープラーニングフレームワークを提案する。 提案したフレームワークは、標準的なディープラーニングモデルよりも正確性、堅牢性、疎性、安定性を全面的に改善する。
  論文  参考訳（メタデータ） (2021-10-29T14:46:32Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• 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)

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。