論文の概要: Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights

• arxiv url: http://arxiv.org/abs/2406.19195v2
• Date: Fri, 16 May 2025 07:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:11.063573
• Title: Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights
• Title（参考訳）: 長期不均一線量応答曲線の推定:最適輸送重量を用いた一般化境界
• Authors: Zeqin Yang, Weilin Chen, Ruichu Cai, Yuguang Yan, Zhifeng Hao, Zhipeng Yu, Zhichao Zou, Jixing Xu, Zhen Peng, Jiecheng Guo,
• Abstract要約: 多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.63999353124871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term treatment effect estimation is a significant but challenging problem in many applications. Existing methods rely on ideal assumptions, such as no unobserved confounders or binary treatment, to estimate long-term average treatment effects. However, in numerous real-world applications, these assumptions could be violated, and average treatment effects are insufficient for personalized decision-making. In this paper, we address a more general problem of estimating long-term Heterogeneous Dose-Response Curve (HDRC) while accounting for unobserved confounders and continuous treatment. Specifically, to remove the unobserved confounders in the long-term observational data, we introduce an optimal transport weighting framework to align the long-term observational data to an auxiliary short-term experimental data. Furthermore, to accurately predict the heterogeneous effects of continuous treatment, we establish a generalization bound on counterfactual prediction error by leveraging the reweighted distribution induced by optimal transport. Finally, we develop a long-term HDRC estimator building upon the above theoretical foundations. Extensive experiments on synthetic and semi-synthetic datasets demonstrate the effectiveness of our approach.
• Abstract（参考訳）: 多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 しかし、現実の多くのアプリケーションでは、これらの仮定は違反する可能性があり、パーソナライズされた意思決定には平均的な治療効果が不十分である。 本稿では, 長期的不均一線量応答曲線 (HDRC) の推定において, 非保守的共同ファウンダーと継続的治療を考慮しつつ, より一般的な問題に対処する。 具体的には、長期観測データから観測されていない共同創設者を除去するために、長期観測データを補助的な短期実験データに整合させる最適な輸送重み付けフレームワークを導入する。 さらに, 連続処理による不均一な効果を正確に予測するために, 最適輸送により誘導される再重み付き分布を利用して, 対実予測誤差に縛られる一般化を確立する。 最後に,上述の理論的基礎に基づく長期HDRC推定器の開発を行う。 合成および半合成データセットに関する大規模な実験は、我々のアプローチの有効性を実証している。

関連論文リスト

• Long-term Causal Inference via Modeling Sequential Latent Confounding [49.64731441006396]
  Ghassamiらは、条件付き付加的等価バイアス(CAECB)の仮定に基づくアプローチを提案する。 我々は,時間的短期的な結果に対応するため,CAECBの仮定を拡張した新たな仮定を導入する。 提案した仮定は、時間的短期的な結果にまたがる逐次的共起バイアス間の機能的関係を述べる。
  論文  参考訳（メタデータ） (2025-02-26T09:56:56Z)
• Nonparametric Heterogeneous Long-term Causal Effect Estimation via Data Combination [37.491679058742925]
  長期的な因果推論は多くの科学領域で注目を集めている。 また、不均一な長期因果効果を頑健かつ効果的に推定する方法も検討されている。 異種長期因果効果推定のための2段階型非パラメトリック推定器を提案する。
  論文  参考訳（メタデータ） (2025-02-26T09:17:04Z)
• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。 まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。 本稿では,実証的リスク最小化法(DEM)を提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• 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)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
  実験と観測を組み合わせた二重機械学習手法を提案する。 我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
  個体群における因果関係は、しばしば観測データを用いて推定される。 本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T21:47:23Z)
• 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)
• Predicting the impact of treatments over time with uncertainty aware neural differential equations [2.099922236065961]
  本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。 CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
  論文  参考訳（メタデータ） (2022-02-24T09:50:02Z)
• Combining Experimental and Observational Data for Identification of Long-Term Causal Effects [13.32091725929965]
  本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクについて検討する。 観測データは共起していると考えられており、さらなる仮定なしでは、このデータセットは因果推論にも使用できない。
  論文  参考訳（メタデータ） (2022-01-26T04:21:14Z)
• 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)
• 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)
• 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)
• 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。