論文の概要: Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes

• arxiv url: http://arxiv.org/abs/2603.27114v1
• Date: Sat, 28 Mar 2026 03:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.789933
• Title: Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
• Title（参考訳）: 個別化処理効果の最大学習がマルチドメインアウトカムに及ぼす影響
• Authors: Yuying Lu, Wenbo Fei, Yuanjia Wang, Molei Liu,
• Abstract要約: 我々は,高次元アイテムレベルのデータからロバストな処理効果を推定する新しいフレームワークであるDRIFTを提案する。 DRIFTは一般化因子解析により潜在構造を学習し、固定されたターゲット上の不確実性集合を構成する。 この不確実性集合に対して最悪の性能を最適化することにより、DRIFTは、未表現または未測定領域に対して堅牢なITTを生成する。
• 参考スコア（独自算出の注目度）: 3.6198659497898937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision mental health requires treatment decisions that account for heterogeneous symptoms reflecting multiple clinical domains. However, existing methods for estimating individualized treatment effects (ITE) rely on a single summary outcome or a specific set of observed symptoms or measures, which are sensitive to symptom selection and limit generalizability to unmeasured yet clinically relevant domains. We propose DRIFT, a new maximin framework for estimating robust ITEs from high-dimensional item-level data by leveraging latent factor representations and adversarial learning. DRIFT learns latent constructs via generalized factor analysis, then constructs an anchored on-target uncertainty set that extrapolates beyond the observed measures to approximate the broader hyper-population of potential outcomes. By optimizing worst-case performance over this uncertainty set, DRIFT yields ITEs that are robust to underrepresented or unmeasured domains. We further show that DRIFT is invariant to admissible reparameterizations of the latent factors and admits a closed-form maximin solution, with theoretical guarantees for identification and convergence. In analyses of a randomized controlled trial for major depressive disorder (EMBARC), DRIFT demonstrates superior performance and improved generalizability to external multi-domain outcomes, including side effects and self-reported symptoms not used during training.
• Abstract（参考訳）: 精密な精神保健には、複数の臨床領域を反映する異種症状を考慮に入れた治療判断が必要である。 しかし、既存の個別治療効果(ITE)の推定方法は、症状の選択に敏感で、未測定で臨床的に関係のない領域に一般化性を制限する、単一の要約結果または特定の観察された症状または測定セットに依存している。 DRIFTは高次元アイテムレベルデータからロバストITEを推定するための新しい最大化フレームワークである。 DRIFTは一般化された因子分析により潜在構造を学習し、観測された測度を超えて外挿する固定された標的上の不確実性集合を構築し、潜在的な結果のより広範な超集団を近似する。 この不確実性集合に対して最悪の性能を最適化することにより、DRIFTは、未表現または未測定領域に対して堅牢なITTを生成する。 さらに、DRIFTは潜在因子の許容再パラメータ化に不変であり、同定と収束の理論的保証を持つ閉形式マキシミン解を持つことを示す。 大うつ病(EMBARC)に対するランダム化対照試験の分析において、DRIFTは、トレーニング中に使用されていない副作用や自己申告症状を含む、外部マルチドメイン結果に対する優れたパフォーマンスと一般化性の向上を示した。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data [6.09170287691728]
  縦断的生医学データの因果推論は依然として中心的な課題である。 本アルゴリズムは, 結果集約のための非負の, 臨床的に解釈可能な重みを学習する。 我々のアルゴリズムは因果関係の回復における最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-19T21:56:30Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• 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。