論文の概要: TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis
- arxiv url: http://arxiv.org/abs/2505.01785v1
- Date: Sat, 03 May 2025 11:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.268147
- Title: TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis
- Title（参考訳）: TV-SurvCaus:因果的生存分析のための動的表現バランス
- Authors: Ayoub Abraich,
- Abstract要約: TV-SurvCausは、表現バランス技術を拡張した新しいフレームワークである。
我々は,(1)不均一効果推定における時間変化精度の一般化境界,(2)シーケンシャルバランスウェイトによる分散制御,(3)動的治療体制の整合性,(5)治療共同研究者のフィードバックによるバイアスの形式的境界などを通じて理論的保証を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the causal effect of time-varying treatments on survival outcomes is a challenging task in many domains, particularly in medicine where treatment protocols adapt over time. While recent advances in representation learning have improved causal inference for static treatments, extending these methods to dynamic treatment regimes with survival outcomes remains under-explored. In this paper, we introduce TV-SurvCaus, a novel framework that extends representation balancing techniques to the time-varying treatment setting for survival analysis. We provide theoretical guarantees through (1) a generalized bound for time-varying precision in estimation of heterogeneous effects, (2) variance control via sequential balancing weights, (3) consistency results for dynamic treatment regimes, (4) convergence rates for representation learning with temporal dependencies, and (5) a formal bound on the bias due to treatment-confounder feedback. Our neural architecture incorporates sequence modeling to handle temporal dependencies while balancing time-dependent representations. Through extensive experiments on both synthetic and real-world datasets, we demonstrate that TV-SurvCaus outperforms existing methods in estimating individualized treatment effects with time-varying covariates and treatments. Our framework advances the field of causal inference by enabling more accurate estimation of treatment effects in dynamic, longitudinal settings with survival outcomes.
- Abstract（参考訳）: 生存率に対する時間変化治療の因果効果を推定することは、多くの領域、特に治療プロトコルが時間とともに適応する医療において難しい課題である。
近年の表現学習の進歩は静的治療の因果推論を改善しているが、これらの手法を生存結果を伴う動的治療体制に拡張することは未解明のままである。
本稿では,TV-SurvCausについて紹介する。このフレームワークは,表現バランス手法を生存分析のための時間変化処理設定に拡張する。
我々は,(1)不均一効果推定における時間変化精度の一般化境界,(2)シーケンシャルバランスウェイトによる分散制御,(3)動的治療体制の整合性,(4)時間的依存による表現学習の収束率,(5)治療共同研究者のフィードバックによるバイアスの形式的境界などを通じて理論的保証を行う。
我々のニューラルアーキテクチャは、時間依存表現のバランスを保ちながら、時間依存を処理するシーケンスモデリングを組み込んでいる。
人工的および実世界の両方のデータセットに関する広範な実験を通して、TV-SurvCausは時間変化の共変量と治療で個別化された治療効果を推定する既存の手法よりも優れていることを示した。
本フレームワークは,生存率を考慮した動的長手設定における治療効果のより正確な推定を可能にすることにより,因果推論の分野を推し進める。
関連論文リスト
- 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) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - 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) - Dynamic covariate balancing: estimating treatment effects over time with
potential local projections [0.32634122554914]
治療が時間とともに動的に変化する場合のパネルデータ設定における治療履歴の推定と推定について検討する。
我々のアプローチは過去の歴史に潜在的な成果の期待を反映している。
論文 参考訳（メタデータ） (2021-03-01T19:53:32Z) - Evaluating (weighted) dynamic treatment effects by double machine
learning [0.12891210250935145]
本研究では,データ駆動方式で動的処理の因果効果を評価する。
いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。
推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
論文 参考訳（メタデータ） (2020-12-01T09:55:40Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z) - 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。
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。