論文の概要: Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data

• arxiv url: http://arxiv.org/abs/2606.01539v1
• Date: Mon, 01 Jun 2026 01:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.778065
• Title: Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data
• Title（参考訳）: 時系列データにおける希少事象のスケーラブルな対実リスク推定
• Abstract要約: 本稿では,既存の因果効果推定装置に適用可能な長手生存データに対する,原則的サブサンプリングと再重み付け戦略を提案する。 提案手法は, 整合性を保ちながら計算負荷を大幅に低減し, 希少な出力設定における推定安定性を向上する。
• 参考スコア（独自算出の注目度）: 20.985792090921755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the causal effect of time-varying treatments on survival outcomes in large observational studies is computationally demanding, particularly when outcomes are rare. While g-formula-based methods such as the iterative conditional expectation (ICE) estimator provide a principled framework for longitudinal causal inference, they become computationally expensive, especially when bootstrap-based variance estimation is required. In addition, outcome rarity at each time point induces severe class imbalance, leading to instability and convergence issues in logistic regression and related models. To address these challenges, we propose a principled subsampling and reweighting strategy for longitudinal survival data that can be applied to a range of existing causal effect estimators in this setting, including the ICE estimator. The proposed method substantially reduces computational burden while preserving consistency and improving estimation stability in rare-outcome settings. We evaluate the method through simulations and validate it using a large-scale EHR cohort study on social and behavioral determinants of health (SBDH) and suicide risk, demonstrating its effectiveness for modeling rare outcomes in longitudinal data.
• Abstract（参考訳）: 大規模な観察研究における生存結果に対する時間変化治療の因果効果の推定は、特に結果が稀な場合、計算的に要求される。 反復条件予測(ICE)推定法のようなg-formula-based methodは、経時的因果推論の原則的枠組みを提供するが、特にブートストラップに基づく分散推定が必要な場合、計算コストがかかる。 さらに、各時点における結果の希少性は、厳密なクラス不均衡を誘発し、ロジスティック回帰と関連するモデルにおける不安定性と収束の問題を引き起こす。 これらの課題に対処するために、ICE推定器を含む既存の因果効果推定器に適用可能な、長手生存データに対する原則的サブサンプリングと再重み付け戦略を提案する。 提案手法は, 整合性を保ちながら計算負荷を大幅に低減し, 希少な出力設定における推定安定性を向上する。 SBDH(Social and Behavioral Determinants of Health, SBDH)と自殺リスクに関する大規模EHRコホート研究を用いてシミュレーションによる評価を行い, 縦断データによる稀な結果のモデル化の有効性を実証した。

関連論文リスト

• Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data [0.6882042556551609]
  提案したモデルであるSurv-IPTBは、特定の患者が治療中の生存時間とコントロール期間の延長を経験する確率を直接的に定量化する。 我々はIPTB推定を二項分類問題として再検討し、治療とコントロールコホート間での患者比較を両立させる。 学習可能なクエリキー変換によるアテンションメカニズムにより、ペア比較の柔軟なデータ駆動アグリゲーションが可能になる。
  論文  参考訳（メタデータ） (2026-08-06T17:13:44Z)
• TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates [0.0]
  TraCeRはトランスフォーマーベースの生存分析フレームワークである。 一連の測定結果からハザード関数を推定する。 複数の実世界のデータセットの実験は、実質的で統計的に重要なパフォーマンス改善を示している。
  論文  参考訳（メタデータ） (2025-12-19T23:24:47Z)
• Learning Survival Models with Right-Censored Reporting Delays [10.312968200748118]
  生存分析(英: Survival analysis)とは、事象が起こるまでの時間を推定する統計手法である。 実務上の制約の下での報告遅延の調整は 保険業界にとって 重大な課題です。 本研究は,事象発生時のパラメトリックハザード関数と報告タイミングを共同でモデル化することによって,この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-06T01:16:57Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、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） (2024-11-12T15:06:04Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Predictability Analysis of Regression Problems via Conditional Entropy Estimations [1.8913544072080544]
  回帰問題の予測可能性を評価するために,条件付きエントロピー推定器を開発した。 合成および実世界のデータセットの実験は、これらの推定器の堅牢性と有用性を示している。
  論文  参考訳（メタデータ） (2024-06-06T07:59:19Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)

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。