Fugu-MT 論文翻訳(概要): Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis

論文の概要: Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis

arxiv url: http://arxiv.org/abs/2410.16870v1
Date: Tue, 22 Oct 2024 10:19:17 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-23 14:29:39.301079
Title: Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis
Title（参考訳）: フェデレート因果推論:メタアナリシスを超えた多段階状態推定
Authors: Rémi Khellaf, Aurélien Bellet, Julie Josse,
Abstract要約: 我々は、中央に分散したデータから治療効果を推定するフェデレート因果推論(Federated Causal Inference)について検討する。プラグインG-Formulaから得られた平均治療効果(ATE)推定器の3つのクラスを比較した。
参考スコア（独自算出の注目度）: 12.896319628045967
License:
Abstract: We study Federated Causal Inference, an approach to estimate treatment effects from decentralized data across centers. We compare three classes of Average Treatment Effect (ATE) estimators derived from the Plug-in G-Formula, ranging from simple meta-analysis to one-shot and multi-shot federated learning, the latter leveraging the full data to learn the outcome model (albeit requiring more communication). Focusing on Randomized Controlled Trials (RCTs), we derive the asymptotic variance of these estimators for linear models. Our results provide practical guidance on selecting the appropriate estimator for various scenarios, including heterogeneity in sample sizes, covariate distributions, treatment assignment schemes, and center effects. We validate these findings with a simulation study.
Abstract（参考訳）: 我々は、中央に分散したデータから治療効果を推定するフェデレート因果推論(Federated Causal Inference)について検討する。本稿では,Pug-in G-Formulaから得られた平均処理効果(ATE)推定器の3つのクラスを比較した。ランダム化制御試験(Randomized Controlled Trials:RCTs)に着目し、線形モデルに対するこれらの推定器の漸近的分散を導出する。本研究は,サンプルサイズの不均一性,共変量分布,処理代入スキーム,中心効果など,様々なシナリオに対する適切な推定器の選択に関する実践的ガイダンスを提供する。我々はこれらの知見をシミュレーション研究により検証した。

関連論文リスト

Robust CATE Estimation Using Novel Ensemble Methods [0.8246494848934447]
臨床治験における条件平均治療効果(CATE)の評価は治療効果の不均一性の理解に不可欠である。本研究は,多種多様なシナリオにまたがって,因果林や多種多様なメタラーナーなどの共通手法の性能を評価する。予測安定性と性能を向上させるために,複数の推定器を統合する2つの新しいアンサンブル手法を提案する。
論文参考訳（メタデータ） (2024-07-04T07:23:02Z)
Bayesian Federated Inference for regression models based on non-shared multicenter data sets from heterogeneous populations [0.0]
回帰モデルでは、サンプルサイズは予測器の数に対して十分な大きさでなければならない。異なる(医療)センターで収集された異なるデータセットからデータをポーリングすることはこの問題を軽減するが、プライバシー規制やロジスティックな問題のためにしばしば実現不可能である。別の方法は、センター内のローカルデータを別々に分析し、統計的推測結果とベイズ連邦推論(BFI)手法を組み合わせることである。このアプローチの目的は、組み合わせたデータに対して統計的解析を行った場合、何を発見したのかを、別々の中心における推論結果から計算することである。
論文参考訳（メタデータ） (2024-02-05T11:10:27Z)
Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、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)
Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing [43.259723628010896]
個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
論文参考訳（メタデータ） (2024-01-27T15:52:58Z)
Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2024-01-18T16:59:27Z)
Using representation balancing to learn conditional-average dose responses from clustered data [5.633848204699653]
関連する用量による介入に対する単位の反応を推定することは、様々な領域において関係している。本稿では,クラスタ化データによるモデル性能への影響を示すとともに,推定器であるCBRNetを提案する。
論文参考訳（メタデータ） (2023-09-07T14:17:44Z)
Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文参考訳（メタデータ） (2023-08-10T08:43:20Z)
Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文参考訳（メタデータ） (2021-06-07T17:47:16Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。