論文の概要: The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2309.17283v1
• Date: Fri, 29 Sep 2023 14:33:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 13:23:56.501704
• Title: The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation
• Title（参考訳）: 治療効果評価における複数治療法の祝福と成果
• Authors: Yong Wu, Mingzhou Liu, Jing Yan, Yanwei Fu, Shouyan Wang, Yizhou Wang, Xinwei Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.81860494566915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing causal effects in the presence of unobserved confounding is a challenging problem. Existing studies leveraged proxy variables or multiple treatments to adjust for the confounding bias. In particular, the latter approach attributes the impact on a single outcome to multiple treatments, allowing estimating latent variables for confounding control. Nevertheless, these methods primarily focus on a single outcome, whereas in many real-world scenarios, there is greater interest in studying the effects on multiple outcomes. Besides, these outcomes are often coupled with multiple treatments. Examples include the intensive care unit (ICU), where health providers evaluate the effectiveness of therapies on multiple health indicators. To accommodate these scenarios, we consider a new setting dubbed as multiple treatments and multiple outcomes. We then show that parallel studies of multiple outcomes involved in this setting can assist each other in causal identification, in the sense that we can exploit other treatments and outcomes as proxies for each treatment effect under study. We proceed with a causal discovery method that can effectively identify such proxies for causal estimation. The utility of our method is demonstrated in synthetic data and sepsis disease.
• Abstract（参考訳）: 観測されていないコンバウンディングの存在による因果効果を評価することは難しい問題である。 既存の研究ではプロキシ変数や複数の治療を利用してバイアスを調整している。 特に後者のアプローチは、単一の結果に対する影響を複数の治療に起因し、境界制御のための潜伏変数を推定できる。 それにもかかわらず、これらの手法は主に一つの結果に焦点をあてるが、多くの現実のシナリオでは、複数の結果に対する影響の研究に大きな関心がある。 さらに、これらの結果はしばしば複数の治療と結合される。 例えば集中治療室(icu)では、医療提供者が複数の健康指標に対する治療の有効性を評価する。 これらのシナリオに対応するために、複数の治療法と複数の結果と呼ばれる新しい設定を検討する。 この設定に関係した複数の結果の並列研究は、それぞれの治療効果のプロキシとして他の治療法や成果を活用できるという意味で、因果同定において互いに助け合うことが示される。 因果推定のために,このようなプロキシを効果的に識別できる因果発見法を提案する。 本法の有用性は, 合成データと敗血症疾患において実証された。

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)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• 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)
• Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects [41.06974193338288]
  本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。 そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。 実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
  論文  参考訳（メタデータ） (2022-08-13T23:22:12Z)
• 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)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Estimation of causal effects of multiple treatments in healthcare database studies with rare outcomes [0.0]
  複数の治療と稀な結果を伴う因果推論は、文献に散発的に扱われる主題である。 本稿では、医療データベース研究の構造を表す3つのシミュレーションセットを設計し、そのような設定に対する因果解析戦略を提案する。
  論文  参考訳（メタデータ） (2020-08-18T01:26:36Z)
• 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。