論文の概要: COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised
Learning
- arxiv url: http://arxiv.org/abs/2311.00886v2
- Date: Mon, 12 Feb 2024 07:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 21:58:33.139811
- Title: COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised
Learning
- Title(参考訳): COSTAR:自己監督学習による時間的対実推定の改善
- Authors: Chuizheng Meng, Yihe Dong, Sercan \"O. Ar{\i}k, Yan Liu, Tomas Pfister
- Abstract要約: 我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。
COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
- 参考スコア(独自算出の注目度): 35.119957381211236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimation of temporal counterfactual outcomes from observed history is
crucial for decision-making in many domains such as healthcare and e-commerce,
particularly when randomized controlled trials (RCTs) suffer from high cost or
impracticality. For real-world datasets, modeling time-dependent confounders is
challenging due to complex dynamics, long-range dependencies and both past
treatments and covariates affecting the future outcomes. In this paper, we
introduce Counterfactual Self-Supervised Transformer (COSTAR), a novel approach
that integrates self-supervised learning for improved historical
representations. We propose a component-wise contrastive loss tailored for
temporal treatment outcome observations and explain its effectiveness from the
view of unsupervised domain adaptation. COSTAR yields superior performance in
estimation accuracy and generalization to out-of-distribution data compared to
existing models, as validated by empirical results on both synthetic and
real-world datasets.
- Abstract(参考訳): 医療や電子商取引など多くの分野で、特にランダム化制御試験(RCT)が高コストまたは非現実性に苦しむ場合、観察された歴史からの時間的対実結果の推定は意思決定に不可欠である。
現実世界のデータセットでは、複雑なダイナミクス、長距離の依存関係、過去の処理と共変量の両方が将来の結果に影響を与えるため、時間に依存した共同創設者のモデリングが難しい。
本稿では,歴史表現の改善のために自己教師付き学習を統合した新しい手法であるcostar(counterfactual self-supervised transformer)を提案する。
本稿では、時間的治療結果の観察に適したコンポーネントワイドコントラスト損失を提案し、その効果を教師なし領域適応の観点から説明する。
COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能を得る。
関連論文リスト
- Temporal Disentangled Contrastive Diffusion Model for Spatiotemporal
Imputation [36.80005620519233]
C$2$TSDは、トレンド情報と季節情報を条件付き特徴として取り入れ、モデル一般化性を改善するために対照的な学習を採用する新しいアプローチである。
3つの実世界のデータセットに対する実験は、様々な最先端ベースラインよりもC$2$TSDの方が優れた性能を示している。
論文 参考訳(メタデータ) (2024-02-18T11:59:04Z) - Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders [15.41689729746877]
実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。
隠れた共同創設者の存在は 偏見のある治療推定につながる
不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
論文 参考訳(メタデータ) (2023-03-04T04:55:34Z) - Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。
制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩
合成データセットと実世界のデータセットの両方の実験は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
論文 参考訳(メタデータ) (2023-02-19T00:28:20Z) - 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) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-12-07T16:40:28Z) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。
時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
論文 参考訳(メタデータ) (2020-08-27T02:21:56Z) - Decomposed Adversarial Learned Inference [118.27187231452852]
我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。
DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。
MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
論文 参考訳(メタデータ) (2020-04-21T20:00:35Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳(メタデータ) (2020-01-14T12:56:29Z)
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。