論文の概要: Interpretable Causal Inference for Analyzing Wearable, Sensor, and
Distributional Data
- arxiv url: http://arxiv.org/abs/2312.10569v1
- Date: Sun, 17 Dec 2023 00:42:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 15:56:22.870561
- Title: Interpretable Causal Inference for Analyzing Wearable, Sensor, and
Distributional Data
- Title(参考訳): ウェアラブル・センサ・分布データ解析のための解釈可能な因果推論
- Authors: Srikar Katta, Harsh Parikh, Cynthia Rudin, Alexander Volfovsky
- Abstract要約: 本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。
ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
- 参考スコア(独自算出の注目度): 67.12679988697792
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many modern causal questions ask how treatments affect complex outcomes that
are measured using wearable devices and sensors. Current analysis approaches
require summarizing these data into scalar statistics (e.g., the mean), but
these summaries can be misleading. For example, disparate distributions can
have the same means, variances, and other statistics. Researchers can overcome
the loss of information by instead representing the data as distributions. We
develop an interpretable method for distributional data analysis that ensures
trustworthy and robust decision-making: Analyzing Distributional Data via
Matching After Learning to Stretch (ADD MALTS). We (i) provide analytical
guarantees of the correctness of our estimation strategy, (ii) demonstrate via
simulation that ADD MALTS outperforms other distributional data analysis
methods at estimating treatment effects, and (iii) illustrate ADD MALTS'
ability to verify whether there is enough cohesion between treatment and
control units within subpopulations to trustworthily estimate treatment
effects. We demonstrate ADD MALTS' utility by studying the effectiveness of
continuous glucose monitors in mitigating diabetes risks.
- Abstract(参考訳): 現代の因果問題の多くは、ウェアラブルデバイスやセンサーを用いて測定される複雑な結果にどのように影響するかを問うものである。
現在の分析アプローチでは、これらのデータをスカラー統計(例えば平均)に要約する必要があるが、これらの要約は誤解を招く可能性がある。
例えば、異なる分布は同じ手段、分散、その他の統計を持つことができる。
研究者は、データを分散として表現することで、情報の損失を克服することができる。
我々は,分散データ分析のための解釈可能な手法を開発し,信頼性と堅牢な意思決定を保証する。
私たち
(i)推定戦略の正確性に関する分析的保証を提供する。
(ii)治療効果を推定する他の分布データ解析法に勝るモルトを付加するシミュレーションによる実証
3) ADD MALTS がサブポピュレーション内の処理単位と制御単位との間に十分な結合性があることを検証し,治療効果を信頼性に推定する能力を示す。
ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性を検討した。
関連論文リスト
- Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳(メタデータ) (2022-09-03T04:10:45Z) - Hypothesis testing for matched pairs with missing data by maximum mean
discrepancy: An application to continuous glucose monitoring [0.8399688944263843]
本稿では,データ不足を伴う複雑なマッチングペアを扱うために,MMD(maxum mean discrepancy)の新たな推定法を提案する。
これらの推定器は、異なる欠損機構の下でデータ分布の差を検出することができる。
縦断型糖尿病研究における連続グルコースモニタリングのデータを用いて,本手法の適用例を示した。
論文 参考訳(メタデータ) (2022-06-03T14:20:11Z) - The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。
観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文 参考訳(メタデータ) (2022-05-05T12:32:08Z) - Data-SUITE: Data-centric identification of in-distribution incongruous
examples [81.21462458089142]
Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。
我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
論文 参考訳(メタデータ) (2022-02-17T18:58:31Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Reliable and Trustworthy Machine Learning for Health Using Dataset Shift
Detection [7.263558963357268]
予測不能なMLモデルの振る舞いは、特に健康領域において、その安全性に対する深刻な懸念を引き起こす。
マハラノビス距離およびグラム行列に基づく分布外検出法は,分布外データを高精度に検出できることを示す。
次に、アウト・オブ・ディストリビューションスコアを人間の解釈可能なConFIDENCE SCOREに変換し、ユーザーの健康MLアプリケーションとのインタラクションに与える影響を調査する。
論文 参考訳(メタデータ) (2021-10-26T20:49:01Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - 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) - DEMI: Discriminative Estimator of Mutual Information [5.248805627195347]
連続確率変数間の相互情報を推定することは、高次元データにとってしばしば難解で困難である。
近年の進歩は、相互情報の変動的下界を最適化するためにニューラルネットワークを活用している。
提案手法は,データサンプルペアが結合分布から引き出される確率を提供する分類器の訓練に基づく。
論文 参考訳(メタデータ) (2020-10-05T04:19:27Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。