論文の概要: Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

• arxiv url: http://arxiv.org/abs/2411.03387v1
• Date: Tue, 05 Nov 2024 18:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:24:37.605141
• Title: Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
• Title（参考訳）: 治療効果のアレタリック不確かさの定量化:新しい直交学習者
• Authors: Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der Schaar,
• Abstract要約: 医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
• 参考スコア（独自算出の注目度）: 72.20769640318969
• License:
• Abstract: Estimating causal quantities from observational data is crucial for understanding the safety and effectiveness of medical treatments. However, to make reliable inferences, medical practitioners require not only estimating averaged causal quantities, such as the conditional average treatment effect, but also understanding the randomness of the treatment effect as a random variable. This randomness is referred to as aleatoric uncertainty and is necessary for understanding the probability of benefit from treatment or quantiles of the treatment effect. Yet, the aleatoric uncertainty of the treatment effect has received surprisingly little attention in the causal machine learning community. To fill this gap, we aim to quantify the aleatoric uncertainty of the treatment effect at the covariate-conditional level, namely, the conditional distribution of the treatment effect (CDTE). Unlike average causal quantities, the CDTE is not point identifiable without strong additional assumptions. As a remedy, we employ partial identification to obtain sharp bounds on the CDTE and thereby quantify the aleatoric uncertainty of the treatment effect. We then develop a novel, orthogonal learner for the bounds on the CDTE, which we call AU-learner. We further show that our AU-learner has several strengths in that it satisfies Neyman-orthogonality and is doubly robust. Finally, we propose a fully-parametric deep learning instantiation of our AU-learner.
• Abstract（参考訳）: 医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 しかし、信頼性の高い推論を行うには、条件付き平均治療効果などの平均因果量の推定だけでなく、治療効果のランダム性をランダム変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。 しかし、治療効果の不確実性は、因果機械学習コミュニティでは驚くほど注目されていない。 このギャップを埋めるために、共変量-条件レベルでの処理効果のアレター的不確実性、すなわち、処理効果(CDTE)の条件分布を定量化することを目的とする。 平均因果量とは異なり、CDTEは強い仮定なしでは特定できない。 治療薬として,CDTEの鋭い境界を求めるために部分的同定を用い,治療効果のアレター的不確実性を定量化する。 次に、我々はAU-learnerと呼ぶCDTEのバウンダリに対する新しい直交学習装置を開発する。 さらに、我々のAU-learnerは、Neyman-orthogonalityを満足し、二重に堅牢であることにいくつかの強みがあることを示します。 最後に,AU-learnerの完全パラメトリックなディープラーニングインスタンス化を提案する。

関連論文リスト

• Bayesian Neural Controlled Differential Equations for Treatment Effect Estimation [25.068617118126824]
  本研究では,連続時間における治療効果推定のための新しいベイズ型ニューラルネットワーク微分方程式 (BNCDE) を提案する。 本手法は医療における信頼性の高い意思決定を促進するための直接的な実用的価値である。
  論文  参考訳（メタデータ） (2023-10-26T15:10:35Z)
• Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models [3.5770353345663053]
  ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。 本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
  論文  参考訳（メタデータ） (2023-05-05T20:08:40Z)
• 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)
• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• 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)

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。