論文の概要: Conformal Prediction for Dose-Response Models with Continuous Treatments

• arxiv url: http://arxiv.org/abs/2409.20412v1
• Date: Mon, 30 Sep 2024 15:40:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-02 07:46:26.858884
• Title: Conformal Prediction for Dose-Response Models with Continuous Treatments
• Title（参考訳）: 連続処理を伴う線量応答モデルの等角予測
• Authors: Jarne Verhaeghe, Jef Jonkers, Sofie Van Hoecke,
• Abstract要約: 本稿では,線量応答モデルに対する予測区間を生成する新しい手法を提案する。 重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。
• 参考スコア（独自算出の注目度）: 0.23213238782019321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the dose-response relation between a continuous treatment and the outcome for an individual can greatly drive decision-making, particularly in areas like personalized drug dosing and personalized healthcare interventions. Point estimates are often insufficient in these high-risk environments, highlighting the need for uncertainty quantification to support informed decisions. Conformal prediction, a distribution-free and model-agnostic method for uncertainty quantification, has seen limited application in continuous treatments or dose-response models. To address this gap, we propose a novel methodology that frames the causal dose-response problem as a covariate shift, leveraging weighted conformal prediction. By incorporating propensity estimation, conformal predictive systems, and likelihood ratios, we present a practical solution for generating prediction intervals for dose-response models. Additionally, our method approximates local coverage for every treatment value by applying kernel functions as weights in weighted conformal prediction. Finally, we use a new synthetic benchmark dataset to demonstrate the significance of covariate shift assumptions in achieving robust prediction intervals for dose-response models.
• Abstract（参考訳）: 継続的な治療と個人の結果の間の線量と反応の関係を理解することは、特にパーソナライズされた薬物服用やパーソナライズされた医療介入のような分野において、意思決定を著しく促進させる。 これらのリスクの高い環境ではしばしばポイント推定が不十分であり、情報的決定を支援するための不確実性定量化の必要性を強調している。 不確実性定量化のための分布のないモデルに依存しないモデル予測法であるコンフォーマル予測は、連続処理や線量応答モデルに限られている。 このギャップに対処するために、重み付き共形予測を利用して因果線量応答問題を共変シフトとする新しい手法を提案する。 確率推定, 共形予測システム, 確率比を組み込むことで, 線量応答モデルに対する予測区間を生成するための実用的な解法を提案する。 さらに,重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。 最後に,線量応答モデルに対するロバストな予測間隔を達成する上で,共変量シフト仮定の意義を示すために,新しいベンチマークデータセットを用いた。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees [47.22930583160043]
  適応型クロスコンフォーマル予測区間を構築する手法を提案する。 結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。 原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
  論文  参考訳（メタデータ） (2024-01-15T14:45:18Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Conformal Prediction with Missing Values [19.18178194789968]
  まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。 次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T09:28:03Z)
• Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
  公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T05:45:53Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Probabilistic feature extraction, dose statistic prediction and dose mimicking for automated radiation therapy treatment planning [0.5156484100374058]
  線量関連量の予測不確実性を定量化する枠組みを提案する。 この情報は、自動放射線治療治療計画の文脈における線量模倣問題で活用することができます。
  論文  参考訳（メタデータ） (2021-02-24T21:35:44Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)

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。