論文の概要: Matched-Pair Experimental Design with Active Learning

• arxiv url: http://arxiv.org/abs/2509.10742v1
• Date: Fri, 12 Sep 2025 23:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.757583
• Title: Matched-Pair Experimental Design with Active Learning
• Title（参考訳）: アクティブラーニングによるマッチングペア実験設計
• Authors: Weizhi Li, Gautam Dasarathy, Visar Berisha,
• Abstract要約: 本稿では,高治療効果領域の患者を順次登録するマッチングペア実験設計を提案する。 対象領域を分類問題として同定し,マッチングペア設計に適した能動的学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.442832180342286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matched-pair experimental designs aim to detect treatment effects by pairing participants and comparing within-pair outcome differences. In many situations, the overall effect size is small across the entire population. Then, the focus naturally shifts to identifying and targeting high treatment-effect regions where the intervention is most effective. This paper proposes a matched-pair experimental design that sequentially and actively enrolls patients in high treatment-effect regions. Importantly, we frame the identification of the target region as a classification problem and propose an active learning framework tailored to matched-pair designs. The proposed design not only reduces the experimental cost of detecting treatment efficacy, but also ensures that the identified regions enclose the entire high-treatment-effect regions. Our theoretical analysis of the framework's label complexity, along with experiments in practical scenarios, demonstrates the efficiency and advantages of the approach.
• Abstract（参考訳）: マッチングペア実験は、ペアリング参加者による治療効果を検出し、ペア内結果の違いを比較することを目的としている。 多くの状況において、全体の効果の大きさは人口全体で小さい。 そして、介入が最も効果的である高治療効果領域の特定とターゲティングに自然に焦点が移る。 本稿では,高治療効果領域の患者を順次かつ積極的に登録するマッチングペア実験設計を提案する。 重要なことは、対象領域の識別を分類問題とし、マッチングペアの設計に適したアクティブラーニングフレームワークを提案することである。 提案した設計は, 治療効果の検出に要する実験コストを低減させるだけでなく, 特定領域が高処理効果領域全体を取り囲むことを保証する。 フレームワークのラベルの複雑さに関する理論的解析は,実践シナリオにおける実験とともに,このアプローチの効率性と利点を実証する。

関連論文リスト

• Deep Disentangled Representation Network for Treatment Effect Estimation [17.787544758117377]
  観察データから個々のレベルの治療効果を推定することは因果推論の根本的な問題である。 本稿では,多面的注意を伴う専門家の混在を考慮した新しい治療効果推定アルゴリズムを提案する。 我々は、公開半合成および実世界の両方の生産データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2025-07-09T08:29:37Z)
• Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments [5.488412825534217]
  ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。 ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。 データ要求の低減による精度の高い効果推定の実現可能性を示す。
  論文  参考訳（メタデータ） (2024-02-20T04:13:59Z)
• Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
  複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。 我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。 本手法の有効性を5つの数値シナリオで示す。
  論文  参考訳（メタデータ） (2023-11-14T17:31:50Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• 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 for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• 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)
• 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。