論文の概要: MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability

• arxiv url: http://arxiv.org/abs/2504.20908v1
• Date: Tue, 29 Apr 2025 16:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.98769
• Title: MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability
• Title（参考訳）: MOSIC:信頼性向上のためのマルチ制約付きモデル非依存な最適部分群同定
• Authors: Wenxin Chen, Weishen Pan, Kyra Gan, Fei Wang,
• Abstract要約: 複数の制約下での最適部分群同定のためのモデルに依存しないフレームワークを提案する。 本手法は安定かつ柔軟であり,観測データを用いて治療効果を推定・最適化するための様々なモデルと技術をサポートしている。
• 参考スコア（独自算出の注目度）: 11.997050225896679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying subgroups that benefit from specific treatments using observational data is a critical challenge in personalized medicine. Most existing approaches solely focus on identifying a subgroup with an improved treatment effect. However, practical considerations, such as ensuring a minimum subgroup size for representativeness or achieving sufficient confounder balance for reliability, are also important for making findings clinically meaningful and actionable. While some studies address these constraints individually, none offer a unified approach to handle them simultaneously. To bridge this gap, we propose a model-agnostic framework for optimal subgroup identification under multiple constraints. We reformulate this combinatorial problem as an unconstrained min-max optimization problem with novel modifications and solve it by a gradient descent ascent algorithm. We further prove its convergence to a feasible and locally optimal solution. Our method is stable and highly flexible, supporting various models and techniques for estimating and optimizing treatment effectiveness with observational data. Extensive experiments on both synthetic and real-world datasets demonstrate its effectiveness in identifying subgroups that satisfy multiple constraints, achieving higher treatment effects and better confounder balancing results across different group sizes.
• Abstract（参考訳）: 観察データを用いた特定の治療の恩恵を受けるサブグループを特定することは、パーソナライズド医療において重要な課題である。 既存のアプローチのほとんどは、治療効果が改善されたサブグループを特定することのみに焦点を当てている。 しかし, 臨床的に有意かつ実用的な発見をするためには, 代表性のための最小サブグループサイズの確保や, 信頼性のための十分な共同設立バランスの達成など, 実践的な考察も重要である。 これらの制約を個別に扱う研究もあるが、同時に扱うための統一的なアプローチを提供するものは存在しない。 このギャップを埋めるために、複数の制約の下で最適なサブグループ識別のためのモデルに依存しないフレームワークを提案する。 我々は、この組合せ問題を、新しい修正を加えて制約のない min-max 最適化問題として再構成し、勾配降下上昇アルゴリズムにより解いた。 さらに、その収束性を実現可能かつ局所最適解に証明する。 本手法は安定かつ柔軟であり,観測データを用いて治療効果を推定・最適化するための様々なモデルと技術をサポートする。 合成データセットと実世界のデータセットの両方に対する大規模な実験は、複数の制約を満たすサブグループを同定し、より高い治療効果を達成し、異なるグループサイズで結果のバランスをとることの有効性を実証している。

関連論文リスト

• A Comparison-Relationship-Surrogate Evolutionary Algorithm for Multi-Objective Optimization [0.0]
  比較相関モデルを用いた新しい進化的アルゴリズムCRSEAを提案する。 CRSEAは,多くの中規模・生物客観的問題において,試験されたSAEAよりも優れた収束解を求める。
  論文  参考訳（メタデータ） (2025-04-28T01:39:38Z)
• AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms [0.0]
  我々は,最小記述長(MDL)原理と遺伝的最適化アルゴリズムを組み合わせたロバストクラスタリングフレームワークを提案する。 このフレームワークは、初期クラスタリングソリューションを生成するためのアンサンブルクラスタリングアプローチから始まり、MDL誘導評価関数を使用して洗練され、遺伝的アルゴリズムによって最適化される。 実験の結果,従来のクラスタリング手法を一貫して上回り,精度の向上,安定性の向上,バイアス低減を実現している。
  論文  参考訳（メタデータ） (2024-11-26T20:26:14Z)
• Federated One-Shot Ensemble Clustering [8.883940713319696]
  複数の機関にまたがるクラスタ分析は、データ共有の制限によって大きな課題を引き起こす。 マルチサイト分析に適した新しい解法であるFONTアルゴリズムを導入する。 FONTはサイト間の1ラウンドの通信しか必要とせず、適合したモデルパラメータとクラスラベルのみを交換することでプライバシーを確保する。
  論文  参考訳（メタデータ） (2024-09-12T20:55:21Z)
• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree Search [10.961093227672398]
  臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。 選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。 解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
  論文  参考訳（メタデータ） (2021-10-11T22:41:07Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Bloom Origami Assays: Practical Group Testing [90.2899558237778]
  グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。 近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。 我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
  論文  参考訳（メタデータ） (2020-07-21T19:31:41Z)

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。