論文の概要: Multi-study R-learner for Heterogeneous Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2306.01086v2
- Date: Fri, 16 Jun 2023 04:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 17:07:09.791232
- Title: Multi-study R-learner for Heterogeneous Treatment Effect Estimation
- Title（参考訳）: 異種処理効果推定のためのマルチスタディr-learner
- Authors: Cathy Shyr, Boyu Ren, Prasad Patil, and Giovanni Parmigiani
- Abstract要約: マルチスタディな不均一な処理効果推定のための統一フレームワークを提案する。
我々のアプローチであるマルチスタディRラーナーは、Rラーナーを拡張して、現代の機械学習(ML)を用いた原理的統計的推定値を得る。
損失関数による補修調整の堅牢性を実現し、ランダム化された制御された試行と観察的研究の両方を活用することができる。
- 参考スコア（独自算出の注目度）: 2.0617418317738525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating heterogeneous treatment effects is crucial for informing
personalized treatment strategies and policies. While multiple studies can
improve the accuracy and generalizability of results, leveraging them for
estimation is statistically challenging. Existing approaches often assume
identical heterogeneous treatment effects across studies, but this may be
violated due to various sources of between-study heterogeneity, including
differences in study design, confounders, and sample characteristics. To this
end, we propose a unifying framework for multi-study heterogeneous treatment
effect estimation that is robust to between-study heterogeneity in the nuisance
functions and treatment effects. Our approach, the multi-study R-learner,
extends the R-learner to obtain principled statistical estimation with modern
machine learning (ML) in the multi-study setting. The multi-study R-learner is
easy to implement and flexible in its ability to incorporate ML for estimating
heterogeneous treatment effects, nuisance functions, and membership
probabilities, which borrow strength across heterogeneous studies. It achieves
robustness in confounding adjustment through its loss function and can leverage
both randomized controlled trials and observational studies. We provide
asymptotic guarantees for the proposed method in the case of series estimation
and illustrate using real cancer data that it has the lowest estimation error
compared to existing approaches in the presence of between-study heterogeneity.
- Abstract（参考訳）: 不均一な治療効果を推定することは、パーソナライズされた治療戦略や方針を伝える上で重要である。
複数の研究が結果の精度と一般化性を改善することができるが、それらを推定に活用することは統計的に困難である。
既存のアプローチでは、研究間で同一の異質な治療効果を想定することが多いが、研究設計、共同設立者、サンプル特性の相違など、研究間不均一性の様々な原因によって、これは違反する可能性がある。
そこで本研究では, ニュアサンス関数と処理効果の相互不均一性にロバストなマルチスタディ不均質な処理効果推定のための統一フレームワークを提案する。
我々のアプローチであるマルチスタディr-learnerは、r-learnerを拡張して、マルチスタディ設定における現代機械学習(ml)を用いた原理的統計推定を得る。
マルチスタディr-learnerは、ヘテロジニアスな処理効果、迷惑機能、メンバーシップ確率を推定するためにmlを組み込む能力において、実装が容易で柔軟性があり、異種研究にまたがる強度を借用できる。
損失関数による補修調整の堅牢性を実現し、ランダム化制御試験と観察研究の両方を活用することができる。
提案手法は, 系列推定の場合の漸近的保証を提供するとともに, 実がんデータを用いて, 既存手法と比較して, 研究間不均一性の有無において, 推定誤差が最も低いことを示す。
関連論文リスト
- Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。
このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
論文 参考訳（メタデータ） (2024-05-28T14:12:25Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。
我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。
この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
論文 参考訳（メタデータ） (2023-11-07T00:36:51Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery [1.057079240576682]
離散状態発見問題に対する教師なし確率モデルであるGaussian Latent Dirichlet Allocation (GLDA)を提案する。
GLDAは、自然言語処理において人気のあるトピックモデルであるLatent Dirichlet Allocation (LDA)から個々の混合構造を借りている。
両データセットにおいて,GLDAを学習したクラスウェイトは,臨床評価したうつ病,不安,ストレススコアと,ベースラインのGMMよりも有意に高い相関性を示した。
論文 参考訳（メタデータ） (2022-06-28T18:33:46Z) - Targeted-BEHRT: Deep learning for observational causal inference on
longitudinal electronic health records [1.3192560874022086]
RCTが確立したNull causal associationの因果モデリングについて検討した。
本研究では,観測研究用データセットと変換器ベースモデルであるTargeted BEHRTと2倍のロバストな推定手法を開発した。
本モデルでは,高次元EHRにおけるリスク比推定のベンチマークと比較し,RRの精度の高い推定結果が得られた。
論文 参考訳（メタデータ） (2022-02-07T20:05:05Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Deep Learning in current Neuroimaging: a multivariate approach with
power and type I error control but arguable generalization ability [0.158310730488265]
ディープラーニングアーキテクチャを用いた分類の統計的意義を推定する非パラメトリックフレームワークを提案する。
ラベル置換試験は, クロスバリデーション (CV) と上界補正 (RUB) を併用した再置換を検証法として提案した。
我々は, CV法とRUB法が有意レベルに近い偽陽性率と許容可能な統計的力を提供することを置換試験で発見した。
論文 参考訳（メタデータ） (2021-03-30T21:15:39Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。