論文の概要: Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data

• arxiv url: http://arxiv.org/abs/2310.10559v1
• Date: Mon, 16 Oct 2023 16:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 12:59:27.050759
• Title: Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data
• Title（参考訳）: 縦断データにおける反実回帰のための因果的動的変分オートエンコーダ
• Authors: Mouad El Bouchattaoui, Myriam Tami, Benoit Lepetit, Paul-Henry Courn\`ede
• Abstract要約: 時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。 我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。 我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
• 参考スコア（独自算出の注目度）: 3.662229789022107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating treatment effects over time is relevant in many real-world applications, such as precision medicine, epidemiology, economy, and marketing. Many state-of-the-art methods either assume the observations of all confounders or seek to infer the unobserved ones. We take a different perspective by assuming unobserved risk factors, i.e., adjustment variables that affect only the sequence of outcomes. Under unconfoundedness, we target the Individual Treatment Effect (ITE) estimation with unobserved heterogeneity in the treatment response due to missing risk factors. We address the challenges posed by time-varying effects and unobserved adjustment variables. Led by theoretical results over the validity of the learned adjustment variables and generalization bounds over the treatment effect, we devise Causal DVAE (CDVAE). This model combines a Dynamic Variational Autoencoder (DVAE) framework with a weighting strategy using propensity scores to estimate counterfactual responses. The CDVAE model allows for accurate estimation of ITE and captures the underlying heterogeneity in longitudinal data. Evaluations of our model show superior performance over state-of-the-art models.
• Abstract（参考訳）: 治療効果の経時的推定は、精密医療、疫学、経済、マーケティングなど、多くの現実世界の応用に関係している。 多くの最先端の手法は、すべての共同創設者の観察を仮定するか、観測されていないものを推測しようとする。 我々は、観察できないリスク要因、すなわち結果のシーケンスのみに影響を与える変数を仮定することで、異なる視点を取る。 根拠のない状況下では, リスク要因の欠如による治療反応の不均一性を考慮した個別治療効果(ite)推定を目標とした。 時間変化効果と未観測調整変数による課題に対処する。 学習した適応変数の妥当性と治療効果の一般化限界に関する理論的結果から,カウサルDVAE(CDVAE)を考案した。 このモデルは、動的変分オートエンコーダ(DVAE)フレームワークと、正則性スコアを用いた重み付け戦略を組み合わせて、反実応答を推定する。 cdvaeモデルは、iteの正確な推定を可能にし、縦断データの基盤となる不均一性をキャプチャする。 本モデルの評価は最先端モデルよりも優れた性能を示す。

関連論文リスト

• Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
  本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。 ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:24:26Z)
• Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation [1.105274635981989]
  可変オートエンコーダ(DRVAE)を用いた新しいDose-Response曲線推定器を提案する。 我々のモデルは現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:41:07Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests [0.0]
  本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。 この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。 筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
  論文  参考訳（メタデータ） (2022-10-06T11:49:39Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
  我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。 シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
  論文  参考訳（メタデータ） (2021-01-26T09:15:49Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。