論文の概要: Adversarially Balanced Representation for Continuous Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2312.10570v1
• Date: Sun, 17 Dec 2023 00:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 15:56:39.439778
• Title: Adversarially Balanced Representation for Continuous Treatment Effect Estimation
• Title（参考訳）: 連続的治療効果推定のための逆バランス表現
• Authors: Amirreza Kazemi, Martin Ester
• Abstract要約: 本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
• 参考スコア（独自算出の注目度）: 6.469020202994118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual treatment effect (ITE) estimation requires adjusting for the covariate shift between populations with different treatments, and deep representation learning has shown great promise in learning a balanced representation of covariates. However the existing methods mostly consider the scenario of binary treatments. In this paper, we consider the more practical and challenging scenario in which the treatment is a continuous variable (e.g. dosage of a medication), and we address the two main challenges of this setup. We propose the adversarial counterfactual regression network (ACFR) that adversarially minimizes the representation imbalance in terms of KL divergence, and also maintains the impact of the treatment value on the outcome prediction by leveraging an attention mechanism. Theoretically we demonstrate that ACFR objective function is grounded in an upper bound on counterfactual outcome prediction error. Our experimental evaluation on semi-synthetic datasets demonstrates the empirical superiority of ACFR over a range of state-of-the-art methods.
• Abstract（参考訳）: 個々の治療効果(ite)の推定には、異なる治療法を持つ集団間の共変量シフトの調整が必要であり、深部表現学習は共変量のバランスのとれた表現を学ぶことに大きな期待が持たれている。 しかし、既存の手法はバイナリ処理のシナリオを主に考慮している。 本稿では,治療が持続的変動(例えば薬の服用)である,より実践的で困難なシナリオについて考察し,この設定の2つの主な課題に対処する。 我々は,KLの分散性の観点から表現の不均衡を対角的に最小化し,また注意機構を利用して処理値が結果予測に与える影響を維持できる対向反事実回帰ネットワーク(ACFR)を提案する。 理論的には、ACFRの目的関数は、対実結果予測誤差の上限にある。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を示すものである。

関連論文リスト

• 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)
• Contrastive Balancing Representation Learning for Heterogeneous Dose-Response Curves Estimation [34.20279432270329]
  治療量の変化に対する個人の潜在的反応を推定することは、精密医療や管理科学などの分野における意思決定に不可欠である。 異種線量応答曲線を推定するために,CRNetと呼ばれる部分距離測度を用いたコントラストバランス表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-21T08:41:53Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
  本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。 新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。 提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の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） (2022-03-07T07:42:40Z)
• Deep Treatment-Adaptive Network for Causal Inference [15.695128606661294]
  因果推論は治療効果(すなわち治療の因果効果)を推定することができる この研究の根本的な課題は、観察データにおける治療代入バイアスである。
  論文  参考訳（メタデータ） (2021-12-27T04:11:23Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
  因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。 均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
  論文  参考訳（メタデータ） (2021-11-16T17:40:57Z)
• 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)
• 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)
• 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。