論文の概要: Fusing Individualized Treatment Rules Using Secondary Outcomes

• arxiv url: http://arxiv.org/abs/2402.08828v3
• Date: Sat, 9 Mar 2024 16:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 14:08:58.506906
• Title: Fusing Individualized Treatment Rules Using Secondary Outcomes
• Title（参考訳）: 二次的結果を用いた個別化治療規則の活用
• Authors: Daiqi Gao, Yuanjia Wang, Donglin Zeng
• Abstract要約: 我々は、一次結果の値関数を最大化するだけでなく、二次結果の最適規則を近似するITRを学ぶ。 代理損失関数を用いてITRを推定する2つのアルゴリズムを提案する。 一次結果の推定IRRと二次結果の最適IRRとの一致率は、二次結果が考慮されない場合よりも早く真の一致率に収束することを示す。
• 参考スコア（独自算出の注目度）: 7.657053163626398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An individualized treatment rule (ITR) is a decision rule that recommends treatments for patients based on their individual feature variables. In many practices, the ideal ITR for the primary outcome is also expected to cause minimal harm to other secondary outcomes. Therefore, our objective is to learn an ITR that not only maximizes the value function for the primary outcome, but also approximates the optimal rule for the secondary outcomes as closely as possible. To achieve this goal, we introduce a fusion penalty to encourage the ITRs based on different outcomes to yield similar recommendations. Two algorithms are proposed to estimate the ITR using surrogate loss functions. We prove that the agreement rate between the estimated ITR of the primary outcome and the optimal ITRs of the secondary outcomes converges to the true agreement rate faster than if the secondary outcomes are not taken into consideration. Furthermore, we derive the non-asymptotic properties of the value function and misclassification rate for the proposed method. Finally, simulation studies and a real data example are used to demonstrate the finite-sample performance of the proposed method.
• Abstract（参考訳）: 個別治療規則(英: individualized treatment rule、ITR)は、個々の特徴変数に基づいて患者に対する治療を推奨する決定規則である。 多くの実践において、一次結果に理想的なITRは、他の二次結果に最小限のダメージを与えることが期待されている。 したがって、本研究の目的は、一次結果の値関数を最大化するだけでなく、二次結果の最適ルールを極力近似するITRを学習することである。 この目的を達成するために、異なる結果に基づいてITRを奨励する融合ペナルティを導入し、同様のレコメンデーションを提供する。 代理損失関数を用いてITRを推定する2つのアルゴリズムを提案する。 我々は、一次結果の推定itrと二次結果の最適itrとの一致率が、二次結果が考慮されていない場合よりも早く真の合意率に収束することを証明する。 さらに,提案手法における値関数の非漸近特性と誤分類率を導出する。 最後に、シミュレーション研究と実データ例を用いて、提案手法の有限サンプル性能を実証する。

関連論文リスト

• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees [63.18324983384337]
  グラディエントブースト決定木(GBDT)のランク付け手法について紹介する。 我々の主な貢献は、二階微分、すなわちヘッセン行列に対する新しい推定器である。 推定器を既存のPL-Rankフレームワークに組み込む。
  論文  参考訳（メタデータ） (2024-04-18T13:53:32Z)
• Robust Learning for Optimal Dynamic Treatment Regimes with Observational Data [0.0]
  本研究では,各段階における各個人に対する最適な治療課題を,個人の進化史に基づいて導くための最適動的治療体制(DTR)の統計的学習について検討する。
  論文  参考訳（メタデータ） (2024-03-30T02:33:39Z)
• Individualized Policy Evaluation and Learning under Clustered Network Interference [4.560284382063488]
  クラスタ化されたネットワーク干渉下での最適個別化処理ルールの評価と学習の問題点を考察する。 ITRの実証性能を評価するための推定器を提案する。 学習ITRに対する有限サンプル残差を導出し、効率的な評価推定器の使用により学習ポリシーの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-11-04T17:58:24Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Efficient and robust transfer learning of optimal individualized treatment regimes with right-censored survival data [7.308241944759317]
  個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。 本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。 重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
  論文  参考訳（メタデータ） (2023-01-13T11:47:10Z)
• Optimal Treatment Regimes for Proximal Causal Learning [7.672587258250301]
  そこで本研究では,橋梁における結果と治療の相違に基づく最適な個別化治療体制を提案する。 この新たな最適治療体制の価値関数は,文献上に存在するものよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:29:25Z)
• When AUC meets DRO: Optimizing Partial AUC for Deep Learning with Non-Convex Convergence Guarantee [51.527543027813344]
  単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。 一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
  論文  参考訳（メタデータ） (2022-03-01T01:59:53Z)
• Jump Interval-Learning for Individualized Decision Making [21.891586204541877]
  個別化区間値決定ルール(I2DR)を開発するためのジャンプインターバル学習を提案する。 単一の治療を推奨するIDRとは異なり、提案されたI2DRは個々の治療オプションの間隔を与える。
  論文  参考訳（メタデータ） (2021-11-17T03:29:59Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)

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。