論文の概要: Efficient Subgroup Analysis via Optimal Trees with Global Parameter Fusion

• arxiv url: http://arxiv.org/abs/2602.04077v1
• Date: Tue, 03 Feb 2026 23:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.308282
• Title: Efficient Subgroup Analysis via Optimal Trees with Global Parameter Fusion
• Title（参考訳）: 大域的パラメータ融合を用いた最適木による効率的な部分群解析
• Authors: Zhongming Xie, Joseph Giorgio, Jingshen Wang,
• Abstract要約: サブグループ分析により、治療が特に有益または保護的な集団を特定できる。 混合整数最適化 (MIO) を利用して, 正確な部分群同定を容易にする, 融合最適因果木法を提案する。 我々は,サンプルリスク境界から厳密に確立し,古典木に基づく手法と比較することによって理論的保証を提供する。
• 参考スコア（独自算出の注目度）: 4.874780144224057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying and making statistical inferences on differential treatment effects (commonly known as subgroup analysis in clinical research) is central to precision health. Subgroup analysis allows practitioners to pinpoint populations for whom a treatment is especially beneficial or protective, thereby advancing targeted interventions. Tree based recursive partitioning methods are widely used for subgroup analysis due to their interpretability. Nevertheless, these approaches encounter significant limitations, including suboptimal partitions induced by greedy heuristics and overfitting from locally estimated splits, especially under limited sample sizes. To address these limitations, we propose a fused optimal causal tree method that leverages mixed integer optimization (MIO) to facilitate precise subgroup identification. Our approach ensures globally optimal partitions and introduces a parameter fusion constraint to facilitate information sharing across related subgroups. This design substantially improves subgroup discovery accuracy and enhances statistical efficiency. We provide theoretical guarantees by rigorously establishing out of sample risk bounds and comparing them with those of classical tree based methods. Empirically, our method consistently outperforms popular baselines in simulations. Finally, we demonstrate its practical utility through a case study on the Health and Aging Brain Study Health Disparities (HABS-HD) dataset, where our approach yields clinically meaningful insights.
• Abstract（参考訳）: 鑑別治療効果の統計的推測(一般に臨床研究ではサブグループ分析と呼ばれる)は、精度の高い健康に欠かせない。 サブグループ分析により、治療が特に有益または保護的な集団を特定でき、それによって標的の介入を促進することができる。 木に基づく再帰的分割法は,その解釈可能性から部分群解析に広く用いられている。 しかしながら、これらのアプローチは、強欲なヒューリスティックスによって誘導される最適下分割や、特に限られたサンプルサイズで、局所的に推定された分割から過度に適合するなど、重大な制限に直面する。 これらの制約に対処するために、混合整数最適化(MIO)を利用して正確な部分群同定を容易にする、融合最適因果木法を提案する。 提案手法は,グローバルな最適分割を保証し,関連するサブグループ間での情報共有を容易にするパラメータ融合制約を導入する。 この設計により、サブグループの発見精度が大幅に向上し、統計効率が向上する。 我々は,サンプルリスク境界から厳密に確立し,古典木に基づく手法と比較することによって理論的保証を提供する。 実験により,本手法はシミュレーションにおいて人気ベースラインを一貫して上回っている。 最後に,HBS-HD(Health and Aging Brain Study Health Disparities)データセットのケーススタディを通じて,その実用性を実証した。

関連論文リスト

• MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability [11.997050225896679]
  そこで本研究では,最適部分群を同定するために,初期制約付き最適化問題を直接解決する統一最適化フレームワークを提案する。 我々の鍵となる革新は、勾配降下勾配アルゴリズムによって解決された、制約のない微分可能な min-max の目的として、制約された原始問題の再構成である。 このフレームワークは、モデルに依存しず、幅広いCATE推定器と互換性があり、コスト制限や公正性基準のような追加の制約への適合性がある。
  論文  参考訳（メタデータ） (2025-04-29T16:25:23Z)
• WHOMP: Optimizing Randomized Controlled Trials via Wasserstein Homogeneity [3.05179671246628]
  我々は、$textitWasserstein Homogeneity Partition$ (WHOMP)と呼ばれる新しいパーティショニング手法を導入する。 WHOMPは、しばしば不均衡なグループ分割や分割によって生じるタイプIとタイプIIのエラーを最適に最小化する。
  論文  参考訳（メタデータ） (2024-09-27T07:38:47Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree Search [10.961093227672398]
  臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。 選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。 解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
  論文  参考訳（メタデータ） (2021-10-11T22:41:07Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)

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。