論文の概要: Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data

• arxiv url: http://arxiv.org/abs/2505.13072v1
• Date: Mon, 19 May 2025 13:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.600791
• Title: Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
• Title（参考訳）: 時系列データから不均一な治療効果を推定するための直交生存学習者
• Authors: Dennis Frauen, Maresa Schröder, Konstantin Hess, Stefan Feuerriegel,
• Abstract要約: 不均一な治療効果(HTE)を推定することは、パーソナライズされた意思決定に不可欠である。 本稿では,検閲下での時間-時間データからHTEを推定するための,新しい生存学習者のツールボックスを提案する。
• 参考スコア（独自算出の注目度）: 22.806200899508145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating heterogeneous treatment effects (HTEs) is crucial for personalized decision-making. However, this task is challenging in survival analysis, which includes time-to-event data with censored outcomes (e.g., due to study dropout). In this paper, we propose a toolbox of novel orthogonal survival learners to estimate HTEs from time-to-event data under censoring. Our learners have three main advantages: (i) we show that learners from our toolbox are guaranteed to be orthogonal and thus come with favorable theoretical properties; (ii) our toolbox allows for incorporating a custom weighting function, which can lead to robustness against different types of low overlap, and (iii) our learners are model-agnostic (i.e., they can be combined with arbitrary machine learning models). We instantiate the learners from our toolbox using several weighting functions and, as a result, propose various neural orthogonal survival learners. Some of these coincide with existing survival learners (including survival versions of the DR- and R-learner), while others are novel and further robust w.r.t. low overlap regimes specific to the survival setting (i.e., survival overlap and censoring overlap). We then empirically verify the effectiveness of our learners for HTE estimation in different low-overlap regimes through numerical experiments. In sum, we provide practitioners with a large toolbox of learners that can be used for randomized and observational studies with censored time-to-event data.
• Abstract（参考訳）: 不均一治療効果(HTEs)の推定は、パーソナライズされた意思決定に不可欠である。 しかし、この課題は、検閲された結果(例えば、研究の落ち込みのため)を伴う時間から時間までのデータを含む生存分析において困難である。 本稿では,検閲下での時間-時間データからHTEを推定するための,新しい直交生存学習者のツールボックスを提案する。 私たちの学習者には3つの大きな利点があります。 (i) ツールボックスからの学習者が直交していることが保証され, 理論的特性が良好であること。 (ii) ツールボックスは、異なるタイプの重複に対して堅牢性をもたらす、カスタムな重み付け関数を組み込むことを可能にします。 (3)学習者はモデルに依存しない(すなわち任意の機械学習モデルと組み合わせることができる)。 いくつかの重み付け機能を使って学習者をツールボックスからインスタンス化し、その結果、様々な神経直交生存学習者を提案する。 これらのいくつかは、既存の生存学習者(DR-とR-ラーナーの生存版を含む)と一致するが、他のものは、生存条件(生存重複と検閲重複)に特有の、より新規でより堅牢なw.r.t.低重複規則である。 そして, 数値実験により, 異なる低オーバーラップ状態におけるHTE推定の有効性を実証的に検証した。 要約すると、我々は学習者の大規模なツールボックスを実践者に提供し、検閲された時間対イベントデータを用いてランダム化および観察研究に使用できる。

関連論文リスト

• Model-agnostic meta-learners for estimating heterogeneous treatment effects over time [24.91413609641092]
  パーソナライズド医療などの多くの分野において、時間とともにヘテロジニアス治療効果(HTE)を推定することが重要である。 モデルに依存しないメタラーナーをいくつか提案し、任意の機械学習モデルと組み合わせて使用することができる。
  論文  参考訳（メタデータ） (2024-07-07T07:07:48Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。 急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。