論文の概要: Adaptive Experimentation for Censored Survival Outcomes
- arxiv url: http://arxiv.org/abs/2605.18459v1
- Date: Mon, 18 May 2026 14:21:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.712776
- Title: Adaptive Experimentation for Censored Survival Outcomes
- Title（参考訳）: 補償型生存成績に対する適応的実験
- Abstract要約: 適切な検閲の下で因果効果を推定するための適応実験のための新しい枠組みを開発する。
本稿ではアダプティブ・サバイバル・エスタ (ASE) を提案する。アダプティブ・サバイバル・エスタ (ASE) はアダプティブ・ポリシーを学習し, 平均生存効果曲線を逐次推定するフレームワークである。
フレームワークには3つの大きな利点がある: (i) ニュアンス推定のための任意の機械学習モデルに対応する; (ii) クローズドフォームの効率-最適割当ポリシーによってガイドされる; (iii) 強力な理論的保証を持つ。
- 参考スコア（独自算出の注目度）: 47.342399976905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adaptive experimentation enables efficient estimation of causal effects, but existing methods are not designed for survival data with censoring, where event times are only partially observed (e.g., overall survival in cancer trials but with dropout). In this paper, we develop a novel framework for adaptive experimentation to estimate causal effects under right censoring. For this, we derive the semiparametric efficiency bound for the average survival effect curve as a function of the treatment allocation policy and thereby obtain a closed-form efficiency-optimal allocation policy. The policy generalizes classical Neyman allocation to survival settings by prioritizing patient strata where both event and censoring dynamics induce high uncertainty. Building on this, we propose the Adaptive Survival Estimator (ASE), an adaptive framework that learns the allocation policy and estimates the average survival effect curve sequentially. Our framework has three main benefits: (i) it accommodates arbitrary machine learning models for nuisance estimation; (ii) it is guided by a closed-form efficiency-optimal allocation policy; and (iii) it admits strong theoretical guarantees, including asymptotic normality via a martingale central limit theorem. We demonstrate our framework across various numerical experiments to show consistent efficiency gains over uniform randomization and censoring-agnostic baselines.
- Abstract（参考訳）: 適応的な実験は因果効果の効率的な推定を可能にするが、既存の方法は検閲による生存データのために設計されていない。
本稿では,適切な検閲の下で因果効果を推定する適応実験のための新しいフレームワークを開発する。
そこで我々は, 平均生存効果曲線の半パラメトリック効率を処理割当ポリシの関数として導出し, クローズドフォームの効率-最適割当ポリシを得る。
このポリシーは、イベントと検閲のダイナミクスの両方が高い不確実性を引き起こす患者層を優先順位付けすることで、古典的なネイマン割り当てを生存設定に一般化する。
そこで我々はアダプティブ・サバイバル・エデュケータ(ASE)を提案し,アダプティブ・アダプティブ・アダプティブ・アダプティブ・ポリシーを学習し,平均生存効果曲線を逐次推定する。
私たちのフレームワークには3つの大きなメリットがあります。
(i)ニュアンス推定のための任意の機械学習モデルに対応する。
二 閉形式効率最適配分政策により導かれるもの、及び
第三に、マルティンゲール中心極限定理による漸近正規性を含む強い理論的保証が認められる。
我々は,一様ランダム化や検閲に依存しないベースラインよりも一貫した効率向上を示すために,様々な数値実験にまたがる枠組みを実証する。
関連論文リスト
- Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。
正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。
既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
論文 参考訳（メタデータ） (2026-06-01T12:03:22Z) - Counterfactually Safe Reinforcement Learning [25.8534002955263]
強化学習アルゴリズムは一般に、人口間で期待されるリターンを最大化するように設計されている。
まず、個別の害の概念を反現実的な観点から定式化し、選択された行動がベースラインの代替よりも厳格に悪い結果をもたらす事象として害を定義する。
次に,個別の害を考慮に入れながら,期待した利益を最大化する2段階の学習手順を提案する。
論文 参考訳（メタデータ） (2026-05-24T14:54:06Z) - Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。
ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。
検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:51:17Z) - Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。
本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
論文 参考訳（メタデータ） (2025-02-22T19:54:14Z) - Statistical Inference for Temporal Difference Learning with Linear Function Approximation [55.80276145563105]
The statistics properties of Temporal difference learning with Polyak-Ruppert averaging。
3つの理論的な貢献により、現在の最先端の成果が向上する。
論文 参考訳（メタデータ） (2024-10-21T15:34:44Z) - Learning Robust Treatment Rules for Censored Data [14.95510487866686]
最適な治療規則を推定するための2つの基準を提案する。
既存の手法と比較して性能が向上した。
エイズの臨床データを用いた方法も提案した。
論文 参考訳（メタデータ） (2024-08-17T09:58:58Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Privacy Preserving Adaptive Experiment Design [13.839525385976303]
社会的福祉の喪失と統計的権力とのトレードオフを文脈的盗賊実験で検討する。
プライバシが"ほぼ無償"であることを示す,下位境界にマッチする差分プライベートアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-16T09:22:12Z) - Optimal Treatment Regimes for Proximal Causal Learning [7.672587258250301]
そこで本研究では,橋梁における結果と治療の相違に基づく最適な個別化治療体制を提案する。
この新たな最適治療体制の価値関数は,文献上に存在するものよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-19T14:29:25Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - Conformalized Survival Analysis [6.92027612631023]
既存の生存分析技術は、強いモデリング仮定に大きく依存している。
共形予測のアイデアに基づく推論手法を開発した。
本手法の有効性と有効性は,英国バイオバンクの合成データと実際のCOVID-19データに基づいて実証した。
論文 参考訳（メタデータ） (2021-03-17T16:32:26Z)
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。