論文の概要: Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2406.02310v1
- Date: Tue, 4 Jun 2024 13:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 16:10:55.371232
- Title: Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation
- Title（参考訳）: 連続処理効果推定のための変分オートエンコーダによる不整合表現
- Authors: Ruijing Cui, Jianbin Sun, Bingyu He, Kewei Yang, Bingfeng Ge,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.105274635981989
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous treatment effect estimation holds significant practical importance across various decision-making and assessment domains, such as healthcare and the military. However, current methods for estimating dose-response curves hinge on balancing the entire representation by treating all covariates as confounding variables. Although various approaches disentangle covariates into different factors for treatment effect estimation, they are confined to binary treatment settings. Moreover, observational data are often tainted with non-causal noise information that is imperceptible to the human. Hence, in this paper, we propose a novel Dose-Response curve estimator via Variational AutoEncoder (DRVAE) disentangled covariates representation. Our model is dedicated to disentangling covariates into instrumental factors, confounding factors, adjustment factors, and external noise factors, thereby facilitating the estimation of treatment effects under continuous treatment settings by balancing the disentangled confounding factors. Extensive results on synthetic and semi-synthetic datasets demonstrate that our model outperforms the current state-of-the-art methods.
- Abstract（参考訳）: 継続的治療効果の推定は、医療や軍事など、様々な意思決定や評価領域において重要な実践的重要性を持っている。
しかし、全ての共変量を共起変数として扱うことにより、全ての表現のバランスを保ちながら、線量-応答曲線を推定する現在の方法である。
様々なアプローチは、治療効果推定のための異なる要因に共変するが、それらは二項処理設定に限られる。
さらに、観測データは、人間には知覚できない非因果的なノイズ情報で汚染されることが多い。
そこで本稿では,変分オートエンコーダ (DRVAE) による新しいドセ応答曲線推定器を提案する。
本モデルは,共役変数を楽器的要因,共役要因,調整要因,外的ノイズ要因に分解することを目的としており,非共役要因のバランスをとることで,連続処理条件下での処理効果の予測を容易にする。
合成および半合成データセットの広範な結果は、我々のモデルが現在の最先端手法よりも優れていることを示している。
関連論文リスト
- 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) - Individualized Multi-Treatment Response Curves Estimation using RBF-net
with Shared Neurons [1.3135918065713799]
マルチ処理環境における新しい非パラメトリック処理効果推定法を提案する。
我々のモデルは、共有された隠れニューロンを持つ放射基底関数(RBF)ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳（メタデータ） (2024-01-29T21:13:01Z) - Adversarially Balanced Representation for Continuous Treatment Effect
Estimation [6.469020202994118]
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。
論文 参考訳（メタデータ） (2023-12-17T00:46:16Z) - Causal Dynamic Variational Autoencoder for Counterfactual Regression in
Longitudinal Data [3.662229789022107]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
論文 参考訳（メタデータ） (2022-04-24T07:02:21Z) - 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) - 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) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-12T09:50:42Z) - 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。