論文の概要: Sequential Treatment Effect Estimation with Unmeasured Confounders

• arxiv url: http://arxiv.org/abs/2505.09113v1
• Date: Wed, 14 May 2025 03:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.365435
• Title: Sequential Treatment Effect Estimation with Unmeasured Confounders
• Title（参考訳）: 非計測共同設立者による逐次処理効果推定
• Authors: Yingrong Wang, Anpeng Wu, Baohong Li, Ziyang Xiao, Ruoxuan Xiong, Qing Han, Kun Kuang,
• Abstract要約: 本稿では,非測定共同創設者の存在下での逐次治療の累積因果関係について検討する。 本稿では, 対数的回帰のための逐次的変動の枠組みを新たに提案する。
• 参考スコア（独自算出の注目度）: 24.064743106746885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the cumulative causal effects of sequential treatments in the presence of unmeasured confounders. It is a critical issue in sequential decision-making scenarios where treatment decisions and outcomes dynamically evolve over time. Advanced causal methods apply transformer as a backbone to model such time sequences, which shows superiority in capturing long time dependence and periodic patterns via attention mechanism. However, even they control the observed confounding, these estimators still suffer from unmeasured confounders, which influence both treatment assignments and outcomes. How to adjust the latent confounding bias in sequential treatment effect estimation remains an open challenge. Therefore, we propose a novel Decomposing Sequential Instrumental Variable framework for CounterFactual Regression (DSIV-CFR), relying on a common negative control assumption. Specifically, an instrumental variable (IV) is a special negative control exposure, while the previous outcome serves as a negative control outcome. This allows us to recover the IVs latent in observation variables and estimate sequential treatment effects via a generalized moment condition. We conducted experiments on 4 datasets and achieved significant performance in one- and multi-step prediction, supported by which we can identify optimal treatments for dynamic systems.
• Abstract（参考訳）: 本稿では,非測定共同創設者の存在下での逐次治療の累積因果関係について検討する。 治療決定と結果が時間とともに動的に進化する、シーケンシャルな意思決定シナリオにおいて、これは重要な問題である。 高度な因果的手法は、時間列をモデル化するためにトランスフォーマーをバックボーンとして適用し、注意機構を介して長時間依存や周期パターンをキャプチャする上で優位性を示す。 しかし、それらが観測された欠点を制御しているとしても、これらの推定者はいまだに未測定の共同創設者に悩まされており、治療の課題と結果の両方に影響を及ぼす。 逐次処理効果推定における潜伏バイアスの調整は依然として未解決の課題である。 そこで本研究では,共通の負の制御仮定を前提とした,対数的回帰(DSIV-CFR)のための逐次的可変フレームワークを提案する。 具体的には、計器変数(IV)は特別な負の制御露光であり、前の結果は負の制御結果である。 これにより、観測変数中のIVs潜伏量を回復し、一般化モーメント条件により逐次処理効果を推定できる。 我々は4つのデータセットの実験を行い、1段階および複数段階の予測において大きな性能を達成し、動的システムに対する最適処理を識別する支援を行った。

関連論文リスト

• TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-03T11:04:52Z)
• 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)
• 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)
• 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)
• Improving Inference from Simple Instruments through Compliance Estimation [0.0]
  機器変数(IV)回帰は、治療の受け取りが完全にランダムでない環境での因果治療効果を推定するために広く用いられている。 IVは、一貫した治療効果の見積もりを回復できるが、しばしばうるさい。 楽器の強度の予測可能な変動を利用して,IV推定値の効率を改善する方法について検討した。
  論文  参考訳（メタデータ） (2021-08-08T20:18:34Z)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。