論文の概要: MEC-Cox: Machine-Learning-Assisted Generalized Entropy Calibration for ATT Marginal Hazard-Ratio Estimation
- arxiv url: http://arxiv.org/abs/2606.08305v1
- Date: Sat, 06 Jun 2026 19:24:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.030952
- Title: MEC-Cox: Machine-Learning-Assisted Generalized Entropy Calibration for ATT Marginal Hazard-Ratio Estimation
- Title（参考訳）: MEC-Cox: 機械学習支援型一般エントロピー校正によるATTマージナルハザード比推定
- Authors: Se Yoon Lee, Yonghyun Kwon, Jae Kwang Kim,
- Abstract要約: 平均治療効果(ATT)型辺縁ハザード比推定を対象とする。
逆確率重み付き(IPW)コックス回帰を用いて推定する。
IPW Coxレグレッションは、イベントコントリビューションとリスクセット平均の両方を通じて重みに依存するため、検証は困難である。
- 参考スコア（独自算出の注目度）: 1.2425910171551517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Externally controlled survival trials are increasingly used when concurrent randomized controls are infeasible, particularly in oncology and rare-disease settings with time-to-event endpoints. We target an average-treatment-effect-on-the-treated (ATT)-type marginal hazard-ratio estimand, comparing treatment with counterfactual control in the treated trial population, and estimate it using inverse-probability-weighted (IPW) Cox regression. Valid inference is challenging because IPW Cox regression depends on the weights through both event contributions and risk-set averages, making flexible machine-learning nuisance estimation difficult to incorporate directly. Building on machine-learning-assisted generalized entropy calibration (MEC) by Lee and Kim (2026), we propose MEC-Cox for ATT-weighted IPW Cox regression. The method begins with normalized source-propensity-score odds weights for external controls and then applies Bregman calibration to balance cross-fitted prognostic summaries between external controls and treated trial patients. The calibration basis may include control-survival predictions, Cox linear predictors, penalized-survival-model predictions, or other prognostic-score summaries. MEC-updated weights therefore play a dual role as source-transport and prognostic-score balancing weights. We establish consistency, characterize a calibration-induced efficiency gain, and develop a stacked sandwich variance estimator. Simulations show that MEC-Cox can reduce bias, increase efficiency, and improve coverage through flexible machine-learning-assisted adjustment.
- Abstract（参考訳）: 外的制御された生存試験は、特にオンコロジーや、時間とイベントのエンドポイントを持つ希少な状態の設定において、同時ランダム化制御が実現できない場合に、ますます使用される。
対象は, 平均治療効果(ATT)型限界ハザード比の推定値で, 治療群と治療群の比較を行い, 逆確率重み付き(IPW) Cox回帰値を用いて評価した。
IPW Coxレグレッションは、イベントコントリビューションとリスクセット平均の両方の重みに依存するため、フレキシブルな機械学習ニュアンス推定を直接組み込むのが難しくなる。
機械学習支援型一般化エントロピーキャリブレーション(MEC)をLee and Kim (2026) により構築し, ATT重み付きIPW CoxレグレッションのためのMEC-Coxを提案する。
この方法は、外部制御のための正規化ソース正当性スコアオッズ重みから始まり、その後Bregmanキャリブレーションを適用して、外部制御と治療された臨床試験患者の間で、適合した予後サマリーのバランスをとる。
校正基準には、制御生存予測、コックス線形予測、ペナル化生存モデル予測、その他の予後スコア要約が含まれる。
したがって、MECによる重み付けは、ソース・トランスポートと予後・スコアバランスウェイトとして二重の役割を担っている。
整合性を確立し,キャリブレーションによる効率向上を特徴付けるとともに,サンドイッチの積み重ね分散推定器を開発した。
シミュレーションにより、MEC-Coxはバイアスを低減し、効率を向上し、フレキシブルな機械学習支援調整によってカバレッジを向上させることが示されている。
関連論文リスト
- Distributional Process Reward Models: Calibrated Prediction of Future Rewards via Conditional Optimal Transport [6.379494871147752]
インタイムスケーリング手法はプロセス・リワード・モデル(PRM)に依存している。
本研究では, PRMの校正, 条件OT(CondOT)マップ学習 citebunne2022 の修正, 単調条件量子関数の推定における条件最適輸送の最初の利用を提案する。
これにより、構造的に有効な量子的推定が得られ、任意のレベルでの信頼境界の効率的な抽出が可能となる。
論文 参考訳（メタデータ） (2026-05-07T18:00:04Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Efficient Variance-reduced Estimation from Generative EHR Models: The SCOPE and REACH Estimators [1.0765331200875645]
トークン化された電子健康記録タイムラインを用いてトレーニングした生成モデルは、臨床結果の予測を約束する。
既存のアプローチには、患者のリスクレベルを低く区別するスパース推定分布、極端な計算コスト、サンプリング分散の3つの重要な制限がある。
本稿では,予測条件ハザード(REACH)のSCOPE(Sum of Conditional Outcome Probability Estimator)とリスク推定(Sum of Conditional Probability Estimator)の2つの新しい推定手法を提案する。
論文 参考訳（メタデータ） (2026-02-03T16:49:44Z) - Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。
我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。
我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
論文 参考訳（メタデータ） (2025-10-22T14:47:57Z) - DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation [0.0]
観測データから因果効果を推定することは、選択バイアスのため困難である。
本稿では,新しい確率スコアに基づく手法であるDeconfounding Factor Weighting (DFW)を提案する。
DFWは、高度に凝縮したサンプルの影響を緩和しながら、より縮小されたサンプルを優先する。
論文 参考訳（メタデータ） (2025-08-07T09:51:55Z) - Prior Constraints-based Reward Model Training for Aligning Large Language Models [58.33118716810208]
本稿では,この問題を解決するために,事前制約に基づくリワードモデル(PCRM)のトレーニング手法を提案する。
PCRMは、前回の制約、特に各比較ペアの出力間の長さ比とコサイン類似性を、最適化の規模を調節しスコアマージンを制御するための報酬モデルトレーニングに組み入れている。
実験結果から,PCRMは報酬スコアのスケーリングを効果的に抑制することによりアライメント性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-04-01T07:49:11Z) - Monitoring machine learning (ML)-based risk prediction algorithms in the
presence of confounding medical interventions [4.893345190925178]
医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。
単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。
条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
論文 参考訳（メタデータ） (2022-11-17T18:54:34Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - 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)
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。