論文の概要: Model-agnostic meta-learners for estimating heterogeneous treatment effects over time

• arxiv url: http://arxiv.org/abs/2407.05287v1
• Date: Sun, 7 Jul 2024 07:07:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 20:27:05.571150
• Title: Model-agnostic meta-learners for estimating heterogeneous treatment effects over time
• Title（参考訳）: 時間とともに不均一な治療効果を推定するためのモデル非依存メタラーナー
• Authors: Dennis Frauen, Konstantin Hess, Stefan Feuerriegel,
• Abstract要約: パーソナライズド医療などの多くの分野において、時間とともにヘテロジニアス治療効果(HTE)を推定することが重要である。 モデルに依存しないメタラーナーをいくつか提案し、任意の機械学習モデルと組み合わせて使用することができる。
• 参考スコア（独自算出の注目度）: 24.91413609641092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating heterogeneous treatment effects (HTEs) over time is crucial in many disciplines such as personalized medicine. For example, electronic health records are commonly collected over several time periods and then used to personalize treatment decisions. Existing works for this task have mostly focused on model-based learners (i.e., learners that adapt specific machine-learning models). In contrast, model-agnostic learners -- so-called meta-learners -- are largely unexplored. In our paper, we propose several meta-learners that are model-agnostic and thus can be used in combination with arbitrary machine learning models (e.g., transformers) to estimate HTEs over time. Here, our focus is on learners that can be obtained via weighted pseudo-outcome regressions, which allows for efficient estimation by targeting the treatment effect directly. We then provide a comprehensive theoretical analysis that characterizes the different learners and that allows us to offer insights into when specific learners are preferable. Finally, we confirm our theoretical insights through numerical experiments. In sum, while meta-learners are already state-of-the-art for the static setting, we are the first to propose a comprehensive set of meta-learners for estimating HTEs in the time-varying setting.
• Abstract（参考訳）: パーソナライズド医療などの多くの分野において、時間とともにヘテロジニアス治療効果(HTE)を推定することが重要である。 例えば、電子健康記録は、いくつかの期間にわたって一般的に収集され、治療決定をパーソナライズするために使用される。 このタスクの既存の作業は、主にモデルベースの学習者(例えば、特定の機械学習モデルに適応する学習者)に焦点を当てている。 対照的に、モデルに依存しない学習者(いわゆるメタ学習者)は、ほとんど探索されていない。 本稿では,モデルに依存しないメタラーナーを複数提案し,任意の機械学習モデル(例えば変換器)と組み合わせて時間とともにHTEを推定する手法を提案する。 ここでは、重み付けされた擬似アウトカム回帰によって得られる学習者に焦点を当て、処理効果を直接ターゲットとした効率的な推定を可能にする。 次に、異なる学習者を特徴付ける包括的な理論的分析を行い、特定の学習者がいつ好まれるかについての洞察を提供する。 最後に,数値実験により理論的知見を確認した。 要約すると、メタラーナーはすでに静的設定の最先端にあるが、時間変化した設定でHTEを推定するための総合的なメタラーナーセットを最初に提案する。

関連論文リスト

• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Does Deep Learning REALLY Outperform Non-deep Machine Learning for Clinical Prediction on Physiological Time Series? [11.901347806586234]
  EHRに基づく臨床予測タスクにおいて,機械学習モデルの性能を体系的に検討する。 3つのディープラーニングメソッドと7つの非深度学習メソッドを含む10のベースライン機械学習モデルを比較した。 その結果,深層学習は非深層学習よりも優れており,一定の条件下では優れていた。
  論文  参考訳（メタデータ） (2022-11-11T07:09:49Z)
• Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
  メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。 SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。 我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-11T06:45:15Z)
• TMSS: An End-to-End Transformer-based Multimodal Network for Segmentation and Survival Prediction [0.0]
  腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。 本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-12T06:22:05Z)
• MetaVA: Curriculum Meta-learning and Pre-fine-tuning of Deep Neural Networks for Detecting Ventricular Arrhythmias based on ECGs [9.600976281032862]
  心室不整脈(VA)は突然の心臓死の主な原因である。 グループレベルの多様性を解決するために,カリキュラム学習法(CL)を用いたモデル非依存メタラーニング(MAML)を提案する。 利用可能なECGデータセットを3つ組み合わせて実験を行った。
  論文  参考訳（メタデータ） (2022-02-25T01:26:19Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• A Comparison of Methods for Treatment Assignment with an Application to Playlist Generation [13.804332504576301]
  文献で提案される様々な手法をアルゴリズムの3つの一般的なクラス(またはメタナー)に分類する。 結果や因果効果の予測を最適化することは、治療課題の最適化と同じではないことを分析的および実証的に示す。 これは、大規模な実世界のアプリケーションにおける3つの異なるメタラーナーの最初の比較である。
  論文  参考訳（メタデータ） (2020-04-24T04:56:15Z)

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。