論文の概要: On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments

• arxiv url: http://arxiv.org/abs/2606.17777v1
• Date: Tue, 16 Jun 2026 10:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.393102
• Title: On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments
• Title（参考訳）: マルチTreatment実験のための応答適応的ターゲット戦略について
• Authors: Redouane Yagouti, Rémy Degenne, Emilie Kaufmann,
• Abstract要約: 臨床試験における反応適応的ランダム化(RAR)は、観察結果に基づいて患者を動的に治療に割り当てることにより、倫理的および統計的効率を改善することを目的としている。 目的とする最適アロケーションに基づくRARは2つの武器設定のために広範囲に研究されているが、そのマルチ処理実験への拡張は理論的に断片化されている。
• 参考スコア（独自算出の注目度）: 19.929885462843348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Response-adaptive randomization (RAR) in clinical trials aims to improve ethical and statistical efficiency by dynamically allocating patients to treatments based on observed outcomes. While RAR based on a target optimal allocation have been extensively studied for two-arms settings, their extension to multi-treatment experiments ($K \geq 2$) remains theoretically fragmented, with most existing methods focusing on specific algorithms or restricted target allocations. In this paper, we introduce a unified framework for response-adaptive targeting, the $α$-Rebalancing Targeting Strategies ($α$RTS), which generalize the ERADE two-armed strategy of Hu et al. [2009]. We prove that all designs in this family share fundamental asymptotic properties: strong consistency, asymptotic normality of allocation proportions and treatment effect estimators, and asymptotic efficiency. To address sparse target regimes (where some treatments are asymptotically eliminated), we further propose $α$RTS with Forced Exploration, a variant that guarantees infinite sampling for all treatments while preserving the asymptotic guarantees. Extensive simulations illustrate the finite-sample behavior of $α$RTS variants in a 3-armed context, highlighting in particular the critical role of forced exploration in sparse settings.
• Abstract（参考訳）: 臨床試験における反応適応的ランダム化(RAR)は、観察結果に基づいて患者を動的に治療に割り当てることにより、倫理的および統計的効率を改善することを目的としている。 ターゲットの最適割り当てに基づくRARは、2つのアーム設定で広く研究されているが、そのマルチ処理実験(K \geq 2$)への拡張は理論的に断片化されており、既存のほとんどの手法は特定のアルゴリズムや制限されたターゲットアロケーションに焦点を当てている。 本稿では,Hu et al[2009]のERADE二武器戦略を一般化した,応答適応型ターゲティングのための統一フレームワークである$α$-Rebalancing Targeting Strategies(α$RTS)を紹介する。 この家系のすべての設計は、強い一貫性、割り当て比率の漸近正規性、処理効果推定器、漸近効率といった基本的な漸近特性を共有していることを証明している。 スパースターゲットレジーム(いくつかの治療が漸近的に除去された場合)に対処するため、我々はさらに、漸近的保証を維持しながら全ての治療の無限サンプリングを保証する変種であるForced Explorationによる$α$RTSを提案する。 広範囲なシミュレーションは、3本腕の文脈における$α$RTSの有限サンプルの振る舞いを示し、特にスパース・セッティングにおける強制探索の重要な役割を浮き彫りにした。

関連論文リスト

• Many Needles in a Haystack: Active Hit Discovery for Perturbation Experiments [19.510272466719044]
  高スループット遺伝子摂動実験は、並列にいくつかの遺伝的介入をテストすることができるが、実験予算は限られている。 中心的なゴールは発見であり、できるだけ多くの摂動を識別し、その効果が予め定義された閾値を超えることである。 本稿では,大域的な大域的最適化を目標とし,他の高値領域を無視しながら支配的モードを過度に展開する手法を提案する。
  論文  参考訳（メタデータ） (2026-05-11T08:45:19Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [69.1820058966619]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• 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)
• Stage-Aware Learning for Dynamic Treatments [3.6923632650826486]
  動的治療体制のための新しい個別化学習法を提案する。 観測軌道が最適処理と完全に一致しなければならないという制約を緩和することにより,本手法はIPWE法における試料効率と安定性を大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T06:35:31Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Treatment Allocation with Strategic Agents [0.0]
  最適規則はランダム化を伴い,100%未満の確率で治療をアロケートし,治療に対して平均的に正の反応を示した者に対しても有効であることを示す。 本研究では,ベイズ最適化に基づく逐次的実験を提案し,個別の戦略行動に関するパラメトリックな仮定を伴わない最適処理規則に収束する。
  論文  参考訳（メタデータ） (2020-11-12T17:40:53Z)
• Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
  離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。 我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。 これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
  論文  参考訳（メタデータ） (2020-02-10T04:23:09Z)

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。