論文の概要: Contrast-Space Projection for Network Meta-Analysis: An Exact and Invariant Study-Based Decomposition of Direct and Indirect Contributions
- arxiv url: http://arxiv.org/abs/2604.21994v1
- Date: Thu, 23 Apr 2026 18:23:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.23273
- Title: Contrast-Space Projection for Network Meta-Analysis: An Exact and Invariant Study-Based Decomposition of Direct and Indirect Contributions
- Title（参考訳）: ネットワークメタ分析のためのコントラスト空間投影--直接的および間接的コントリビューションの厳密かつ不変な研究-
- Authors: Chong Wang, Yanqi Zhang, Zhezhen Jin, Annette O'Connor,
- Abstract要約: ネットワークメタアナリシス(NMA)は、ネットワーク間の直接比較と間接比較を組み合わせて、治療効果を推定する。
NMA推定を再現する正確なコントリビューション分解の欠如、特にスタディ内相関を誘導するマルチアームトライアルの存在において。
- 参考スコア（独自算出の注目度）: 5.147814433540052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network meta-analysis (NMA) combines direct and indirect comparisons across a connected treatment network to estimate relative treatment effects. However, there is a lack of exact contribution decompositions that reproduce NMA estimates, particularly in the presence of multi-arm trials that induce within-study correlations. We address this reproducibility gap by developing a contrast-space projection formulation of NMA. Working in the space of all estimable pairwise treatment contrasts, we express the NMA estimator as an explicit linear mapping of the observed contrasts onto the consistency-constrained contrast space induced by orthogonal projection. Building on this representation, we introduce a rigorous study-based definition of direct and indirect evidence through a canonical within-study reduction that removes algebraic redundancy and yields a unique, invariant decomposition. This leads to exact covariance-aware decompositions of the NMA estimator into study-level direct and indirect contributions, with indirect evidence further resolved into path-level components. The resulting weights are directly analogous to inverse-variance weights in pairwise meta-analysis and enable, to our knowledge, the first forest-plot representation that exactly reconstructs the NMA estimator. The framework also yields projection-based diagnostic and graphical tools, including forest plots, tension plots, and path-based visualizations. Applications to empirical datasets demonstrate how the proposed approach provides a reproducible and interpretable framework for understanding evidence contributions in network meta-analysis, supporting transparent interpretation and reporting.
- Abstract（参考訳）: ネットワークメタ分析(NMA)は、接続された処理ネットワーク間で直接および間接的な比較を組み合わせることで、相対的な処理効果を推定する。
しかし、NMA推定を再現する正確なコントリビューション分解が欠如している。
我々は、NMAのコントラスト空間射影定式化を開発することにより、この再現性ギャップに対処する。
すべての推定可能なペアワイズ処理のコントラストの空間において、直交射影によって誘導される一貫性に制約されたコントラスト空間への観測されたコントラストの明示的な線型写像として、NMA推定器を表現する。
この表現に基づいて、代数的冗長性を取り除き、一意に不変な分解をもたらす正準内部スタディ還元を通じて、厳密な研究に基づく直接的および間接的証拠の定義を導入する。
このことは、NMA推定器の正確な共分散を考慮した分解を研究レベルの直接的および間接的な寄与へと導き、間接的な証拠はパスレベルの構成要素にさらに解決される。
得られた重みは、対のメタ分析における逆分散重みと直接類似しており、我々の知る限り、NMA推定器を正確に再構築する最初の森林プロット表現を可能にする。
このフレームワークはまた、フォレストプロット、テンションプロット、パスベースの可視化など、プロジェクションベースの診断およびグラフィカルツールを提供する。
実験データセットへの応用は、提案手法が、ネットワークメタ分析におけるエビデンスコントリビューションを理解し、透過的な解釈とレポートをサポートするために、再現可能かつ解釈可能なフレームワークを提供する方法を示している。
関連論文リスト
- Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems [41.99844472131922]
マルチエージェントシステムにおけるインタラクションカーネルの学習のためのデータ駆動型フレームワークを提案する。
本研究の目的は, 軌道データから直接非局所相互作用と拡散項の関数形式を同定することである。
論文 参考訳（メタデータ） (2026-03-16T21:19:25Z) - Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。
我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
論文 参考訳（メタデータ） (2025-12-31T08:03:41Z) - RefLSM: Linearized Structural-Prior Reflectance Model for Medical Image Segmentation and Bias-Field Correction [10.716406019360441]
医用画像セグメンテーションのための新しい変動反射型レベルセットモデル(RefLSM)を提案する。
RefLSMはRetinexにインスパイアされた反射率分解をセグメンテーションフレームワークに明示的に統合する。
RefLSMは,最先端レベル設定法と比較して,セグメンテーション精度,ロバスト性,計算効率が優れていることを示す。
論文 参考訳（メタデータ） (2025-12-08T06:06:29Z) - Structure Maintained Representation Learning Neural Network for Causal Inference [8.632520706680165]
我々は,個々の治療効果を推定する上で,表現学習と敵ネットワークの予測精度を向上させる。
表現層の末尾に識別器を訓練し、表現バランスと情報損失をトレードオフする。
シミュレーションおよび実世界の観測データを用いて広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-08-03T17:34:38Z) - CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。
我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。
我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
論文 参考訳（メタデータ） (2025-07-10T21:32:18Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳（メタデータ） (2024-01-24T19:04:49Z) - Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。
本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
論文 参考訳（メタデータ） (2023-05-26T13:19:15Z) - Unsupervised Interpretable Basis Extraction for Concept-Based Visual Explanations [44.033369364364084]
本研究は,CNN画像分類器の予測と中間層表現を,人間の理解可能な概念の観点から説明しようとするものである。
ボトムアップアプローチを採用し、概念ラベルの監督に頼ることなく、機能空間の構造から方向を一括して識別する。
既存の基盤解釈可能性指標の拡張を行い、抽出したベースに変換すると中間層表現がより解釈可能であることを示す。
論文 参考訳（メタデータ） (2023-03-19T00:37:19Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Interpreting Deep Neural Networks with Relative Sectional Propagation by
Analyzing Comparative Gradients and Hostile Activations [37.11665902583138]
DNN(Deep Neural Networks)の出力予測を分解するための新しいアトリビューション手法であるRelative Sectional Propagation(RSP)を提案する。
我々は、敵対的因子をターゲットの属性を見つけるのを妨げる要素として定義し、活性化ニューロンの非抑制的な性質を克服するために区別可能な方法でそれを伝播させる。
本手法により,従来の帰属法と比較して,DNNのクラス識別性や活性化ニューロンの詳細な解明により,DNNの予測を分解することができる。
論文 参考訳（メタデータ） (2020-12-07T03:11:07Z)
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。