論文の概要: Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
- arxiv url: http://arxiv.org/abs/2310.18027v1
- Date: Fri, 27 Oct 2023 10:05:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 14:08:34.362936
- Title: Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
- Title（参考訳）: 混合前駆体を用いたベイズ予測型共変量調整
- Authors: Alyssa M. Vanderbeek and Arman Sabbaghi and Jon R. Walsh and Charles
K. Fisher
- Abstract要約: 本稿では,ベイジアン・プロコバと呼ばれる新しいベイジアン確率的共変量補正手法を提案する。
RCT参加者のためのデジタルツインジェネレータ(DTG)を構成する生成人工知能(AI)アルゴリズムに基づいている。
DTGは、履歴制御データに基づいてトレーニングされ、各参加者の制御結果に対してデジタルツイン(DT)確率分布を生成する。
コントロール参加者の少ない情報的治療効果の推測が得られ、効果的な意思決定が促進される。
- 参考スコア（独自算出の注目度）: 0.3749861135832073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective and rapid decision-making from randomized controlled trials (RCTs)
requires unbiased and precise treatment effect inferences. Two strategies to
address this requirement are to adjust for covariates that are highly
correlated with the outcome, and to leverage historical control information via
Bayes' theorem. We propose a new Bayesian prognostic covariate adjustment
methodology, referred to as Bayesian PROCOVA, that combines these two
strategies. Covariate adjustment is based on generative artificial intelligence
(AI) algorithms that construct a digital twin generator (DTG) for RCT
participants. The DTG is trained on historical control data and yields a
digital twin (DT) probability distribution for each participant's control
outcome. The expectation of the DT distribution defines the single covariate
for adjustment. Historical control information are leveraged via an additive
mixture prior with two components: an informative prior probability
distribution specified based on historical control data, and a non-informative
prior distribution. The weight parameter in the mixture has a prior
distribution as well, so that the entire additive mixture prior distribution is
completely pre-specifiable and does not involve any information from the RCT.
We establish an efficient Gibbs algorithm for sampling from the posterior
distribution, and derive closed-form expressions for the posterior mean and
variance of the treatment effect conditional on the weight parameter, of
Bayesian PROCOVA. We evaluate the bias control and variance reduction of
Bayesian PROCOVA compared to frequentist prognostic covariate adjustment
(PROCOVA) via simulation studies that encompass different types of
discrepancies between the historical control and RCT data. Ultimately, Bayesian
PROCOVA can yield informative treatment effect inferences with fewer control
participants, accelerating effective decision-making.
- Abstract（参考訳）: ランダム化対照試験(rcts)による効果的かつ迅速な意思決定には、偏りなく正確な治療効果推論が必要である。
この要求に対処する2つの戦略は、結果と高い相関関係を持つ共変分を調整し、ベイズの定理を通じて歴史的制御情報を活用することである。
我々は,これら2つの戦略を組み合わせた新たなベイズ予測型共変量調整手法であるベイズプロコバを提案する。
共変量調整は、CT参加者のためのデジタルツインジェネレータ(DTG)を構成する生成人工知能(AI)アルゴリズムに基づいている。
DTGは、履歴制御データに基づいてトレーニングされ、各参加者の制御結果に対してデジタルツイン(DT)確率分布を生成する。
DT分布の期待値は調整のための単一の共変量を定義する。
履歴制御情報は、履歴制御データに基づいて特定された情報的事前確率分布と、非インフォーマティブ事前分布の2つの成分に先行する添加混合物を介して活用される。
混合液中の重みパラメータも事前分布を有するので、添加剤混合液全体の事前分布は完全に予め特定され、rctからの情報を含まない。
本研究では, 後方分布から抽出する効率的なギブスアルゴリズムを構築し, ベイジアン ProCOVA の重みパラメータに条件付き処理効果のばらつきと後部平均のクローズドフォーム式を導出する。
本研究では, 履歴制御とRTTデータの相違を考慮したシミュレーションにより, ベイズ確率的共変量調整(PROCOVA)と比較して, バイアス制御と分散低減について検討した。
最終的に、ベイジアン ProCOVA は、コントロール参加者の少ない情報的治療効果の推測を導き、効果的な意思決定を促進する。
関連論文リスト
- Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - A Weighted Prognostic Covariate Adjustment Method for Efficient and
Powerful Treatment Effect Inferences in Randomized Controlled Trials [0.28087862620958753]
ランダム化制御試験(RCT)の重要な課題は、効率的な推定器と治療効果の強力な試験を得られる統計手法を特定することである。
過去の制御データに基づいて生成AIアルゴリズムを訓練することにより、RDT参加者のためのデジタルツインジェネレータ(DTG)を構築することができる。
DTGは、RTT参加者の潜在的制御結果の確率分布を生成する。
論文 参考訳（メタデータ） (2023-09-25T16:14:13Z) - A Bayesian Semiparametric Method For Estimating Causal Quantile Effects [1.1118668841431563]
擬似分布の任意の関数を推測できる半パラメトリックな条件分布回帰モデルを提案する。
共振調整に二重バランススコアを用いることで, 単一スコアのみの調整よりも性能が向上することを示す。
提案手法をノースカロライナ出生体重データセットに適用し,母体喫煙が幼児の出生体重に与える影響を解析した。
論文 参考訳（メタデータ） (2022-11-03T05:15:18Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z) - Bayesian Active Learning with Fully Bayesian Gaussian Processes [0.0]
ラベル付きデータが乏しい、あるいは入手が難しいアクティブラーニングでは、このトレードオフを無視することは、非効率なクエリを引き起こす可能性がある。
取得関数にバイアス分散トレードオフを組み込むことで、不要で高価なデータラベリングが軽減されることを示す。
論文 参考訳（メタデータ） (2022-05-20T13:52:04Z) - Bayes in Wonderland! Predictive supervised classification inference hits
unpredictability [1.8814209805277506]
デ・フィネッティ型の交換性の下でsBpcとmBpcの収束を示す。
また、分割交換可能なシーケンスを生じる生成モデルのパラメータ推定も行う。
論文 参考訳（メタデータ） (2021-12-03T12:34:52Z) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳（メタデータ） (2021-06-30T05:06:18Z) - 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) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。