論文の概要: Estimating the treatment effect over time under general interference through deep learner integrated TMLE

• arxiv url: http://arxiv.org/abs/2412.04799v1
• Date: Fri, 06 Dec 2024 06:09:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:56:31.468215
• Title: Estimating the treatment effect over time under general interference through deep learner integrated TMLE
• Title（参考訳）: 深層学習者統合TMLEによる一般干渉下での時間的治療効果の推定
• Authors: Suhan Guo, Furao Shen, Ni Li,
• Abstract要約: DeepNetTMLE(DeepNetTMLE)は,ディープラーニングによる最大等量推定(TMLE)手法である。 DeepNetTMLEは、一般的な干渉の下で、時間によって変化する共同創設者のバイアスを軽減する。 我々は,DeepNetTMLEが,反実推定においてより低いバイアスとより正確な信頼区間を実現することを示す。
• 参考スコア（独自算出の注目度）: 7.2615408834692685
• License:
• Abstract: Understanding the effects of quarantine policies in populations with underlying social networks is crucial for public health, yet most causal inference methods fail here due to their assumption of independent individuals. We introduce DeepNetTMLE, a deep-learning-enhanced Targeted Maximum Likelihood Estimation (TMLE) method designed to estimate time-sensitive treatment effects in observational data. DeepNetTMLE mitigates bias from time-varying confounders under general interference by incorporating a temporal module and domain adversarial training to build intervention-invariant representations. This process removes associations between current treatments and historical variables, while the targeting step maintains the bias-variance trade-off, enhancing the reliability of counterfactual predictions. Using simulations of a ``Susceptible-Infected-Recovered'' model with varied quarantine coverages, we show that DeepNetTMLE achieves lower bias and more precise confidence intervals in counterfactual estimates, enabling optimal quarantine recommendations within budget constraints, surpassing state-of-the-art methods.
• Abstract（参考訳）: 社会的ネットワークを基盤とする人口における隔離政策の効果を理解することは公衆衛生にとって重要であるが、ほとんどの因果推論手法は独立した個人の仮定のためここでは失敗する。 DeepNetTMLEは,観測データにおける時間依存性の処理効果を推定するためのTMLE法である。 DeepNetTMLEは、時間変化のある共同創設者のバイアスを軽減するために、時間的モジュールとドメインの敵対的トレーニングを組み込むことによって、介入不変表現を構築する。 このプロセスは、現在の処理と履歴変数の関連を排除し、ターゲットステップはバイアス分散トレードオフを維持し、反事実予測の信頼性を高める。 DeepNetTMLEは,様々な検疫範囲を持つ<Susceptible-Infected-Recovered'モデルのシミュレーションを用いて,非現実的推定において,より低いバイアスとより正確な信頼区間を達成し,予算制約内での最適な検疫レコメンデーションを可能とし,最先端の手法を超越することを示す。

関連論文リスト

• Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
  個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。 本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:35:08Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Non-Asymptotic Uncertainty Quantification in High-Dimensional Learning [5.318766629972959]
  不確かさの定量化は多くの高次元回帰や学習問題において決定的だが難しい課題である。 我々は、古典的回帰アプローチとニューラルネットワークの両方に適用可能な、回帰におけるUQのための新しいデータ駆動アプローチを開発した。
  論文  参考訳（メタデータ） (2024-07-18T16:42:10Z)
• Causal Contrastive Learning for Counterfactual Regression Over Time [3.3523758554338734]
  本稿では, 長期予測を重視した, 反実的回帰に対するユニークなアプローチを提案する。 Causal Transformerのような既存のモデルから切り離し、我々のアプローチは長期的な予測にRNNを使うことの有効性を強調します。 提案手法は, 合成データと実世界のデータの両方を用いて, 最先端の対物推定結果を実現する。
  論文  参考訳（メタデータ） (2024-06-01T19:07:25Z)
• Longitudinal Targeted Minimum Loss-based Estimation with Temporal-Difference Heterogeneous Transformer [7.451436112917229]
  縦断的問題設定における動的処理ポリシーの下で, 結果の反実的平均を推定する新しい手法を提案する。 本手法では,時間差学習を用いて学習した異種型埋め込みを用いたトランスフォーマーアーキテクチャを用いる。 また, 統計的理論に基づく95%信頼区間の設定を可能とし, 統計的推測を容易にする。
  論文  参考訳（メタデータ） (2024-04-05T20:56:15Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。