論文の概要: Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects

• arxiv url: http://arxiv.org/abs/2507.05511v1
• Date: Mon, 07 Jul 2025 22:14:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.366877
• Title: Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
• Title（参考訳）: 集合的不均一処理効果のための連続的・構造的政策の深層学習
• Authors: Jennifer Y. Zhang, Shuyang Du, Will Y. Zou,
• Abstract要約: 複数の治療方針変数を個別および平均的な治療効果の関数形式に組み込むための定式化を導出する。 次に、集約されたHTE関数を用いて被写体を直接ランク付けする手法を開発する。 これらのアルゴリズムは、不均一な治療ポリシーの深層学習のための汎用的なフレームワークを構築する。
• 参考スコア（独自算出の注目度）: 0.7100520098029438
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As estimation of Heterogeneous Treatment Effect (HTE) is increasingly adopted across a wide range of scientific and industrial applications, the treatment action space can naturally expand, from a binary treatment variable to a structured treatment policy. This policy may include several policy factors such as a continuous treatment intensity variable, or discrete treatment assignments. From first principles, we derive the formulation for incorporating multiple treatment policy variables into the functional forms of individual and average treatment effects. Building on this, we develop a methodology to directly rank subjects using aggregated HTE functions. In particular, we construct a Neural-Augmented Naive Bayes layer within a deep learning framework to incorporate an arbitrary number of factors that satisfies the Naive Bayes assumption. The factored layer is then applied with continuous treatment variables, treatment assignment, and direct ranking of aggregated treatment effect functions. Together, these algorithms build towards a generic framework for deep learning of heterogeneous treatment policies, and we show their power to improve performance with public datasets.
• Abstract（参考訳）: 異種処理効果 (HTE) の推定は, 幅広い科学的・産業的応用に広く採用されているため, 2次処理変数から構造化処理ポリシーへと, 自然に拡張することができる。 このポリシーには、連続処理強度変数や個別処理割り当てなど、いくつかのポリシー要素が含まれる。 第一原理から、複数の治療方針変数を個別および平均的な治療効果の関数形式に組み込むための定式化を導出する。 そこで本研究では,HTE関数を集約して対象をランク付けする手法を開発した。 特に,ニューラル強化されたネイブベイズ層をディープラーニングフレームワーク内に構築し,ネイブベイズ仮定を満たす任意の要素を組み込む。 次に、ファクター層に連続処理変数、処理割り当て、集約処理効果関数の直接ランク付けを施す。 これらのアルゴリズムは、不均一な処理ポリシーを深く学習するための汎用的なフレームワークに向けて構築され、公開データセットによるパフォーマンス向上の力を示す。

関連論文リスト

• Asymptotic Inference for Multi-Stage Stationary Treatment Policy with Variable Selection [13.202945240520986]
  動的治療体制またはポリシーは、個々の特徴に合わせた複数の段階にわたる決定機能の連続である。 実際の治療方針の1つの重要なクラス、すなわち多段階定常治療政策は、複数の段階にわたって同じ決定関数を用いて治療課題を規定する。 動的治療ポリシーに関連する値関数に対する有効な推論を構築することについては、広範な文献があるが、ポリシー自体に焦点をあてる研究はほとんどない。
  論文  参考訳（メタデータ） (2023-01-29T22:00:53Z)
• Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation [103.55894890759376]
  本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。 本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
  論文  参考訳（メタデータ） (2022-10-08T16:41:02Z)
• Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes [5.107614397012659]
  データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。 実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
  論文  参考訳（メタデータ） (2022-09-09T06:50:37Z)
• Can Transformers be Strong Treatment Effect Estimators? [86.32484218657166]
  本研究では,様々な処理効果推定問題に対処するために,Transformerアーキテクチャに基づく汎用フレームワークを開発する。 本手法は, 離散的, 連続的, 構造的, あるいは服用関連治療に応用される。 Transformers as Treatment Effect Estimator (TransTEE) を用いて行った実験は、これらの誘導バイアスが因果効果を推定する研究で発生する推定問題やデータセットの種類にも有効であることを示した。
  論文  参考訳（メタデータ） (2022-02-02T23:56:42Z)
• 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)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Learning Continuous Treatment Policy and Bipartite Embeddings for Matching with Heterogeneous Causal Effects [8.525061716196424]
  現在の方法では、単一の結果次元の処理効果に基づいて二項のイエスまたはノーの決定を行う。 本稿では, パラメトリザブルモデルとしての処理の有効性を定式化し, 様々な処理強度と複雑さにまで拡張することを提案する。 深層学習を利用して, 1次元の処理を非現実的に予測する代わりに, 所望の総体距離空間を最適化する。
  論文  参考訳（メタデータ） (2020-04-21T01:36:20Z)

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。