論文の概要: TLRNet: Estimating Individual Treatment Effect based on Local Information and Single Learner Structure

• arxiv url: http://arxiv.org/abs/2607.22762v1
• Date: Thu, 23 Jul 2026 21:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.869027
• Title: TLRNet: Estimating Individual Treatment Effect based on Local Information and Single Learner Structure
• Title（参考訳）: TLRNet:ローカル情報と単一学習者構造に基づく個別治療効果の推定
• Abstract要約: 提案モデルの構造はディープニューラルネットワークと擬似シングル学習者に基づいている。 提案手法はIHDPベンチマークの他の最先端手法と比較されている。
• 参考スコア（独自算出の注目度）: 0.29057513016551234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference has become a central issue across various fields, including computer science, statistics, economics, education, healthcare, and medicine. The broad applicability of this discipline has garnered increased research funding and attention. In recent years, the estimation of causal effects from observational data has gained traction due to the vast amounts of collected data and the lower costs compared to randomized controlled trials. Advances in causal effect estimation methods have enhanced service personalization tools. For instance, these tools can help identify the most effective type of treatment (considering both cost and success rate) for each patient among different medical service options. This paper proposes an innovative method for estimating the heterogeneity of treatment effects. The structure of the proposed model is based on a deep neural network and a pseudo-single learner. The proposed method has been compared with other state-of-the-art methods on the IHDP benchmark. Acceptable results have been obtained by using one estimator to estimate the potential outcomes of two treatment groups. Accordingly, this paves the way for further development and improvement of the proposed method.
• Abstract（参考訳）: 因果推論はコンピュータ科学、統計学、経済学、教育、医療、医学など様々な分野において中心的な問題となっている。 この分野の幅広い適用性は、研究資金と注意を増大させてきた。 近年, 観測データから因果効果を推定する手法は, 大量の収集データと, ランダム化比較試験と比較して低コスト化が進んでいる。 因果効果推定法の進歩により、サービスパーソナライズツールが強化された。 例えば、これらのツールは、各患者にとって最も効果的な治療の種類(コストと成功率の両方を考慮する)を、異なる医療サービスオプションで識別するのに役立ちます。 本稿では,治療効果の不均一性を推定する革新的な手法を提案する。 提案モデルの構造はディープニューラルネットワークと擬似シングル学習者に基づいている。 提案手法はIHDPベンチマークの他の最先端手法と比較されている。 1つの推定器を用いて2つの治療群の潜在的結果を推定することにより、許容可能な結果を得た。 これにより,提案手法のさらなる開発と改良の道を開くことができる。

関連論文リスト

• Self Balancing Neural Network: A Novel Method to Estimate Average Treatment Effect [0.0]
  自己バランスニューラルネットワーク(Sbnet)は、モデル自体がバランシングネットから擬似確率スコアを得ることを可能にする。 提案した自己分散ニューラルネットワークは最先端の手法よりも優れた性能を示すことが示されている。
  論文  参考訳（メタデータ） (2025-07-17T06:22:17Z)
• Practical Improvements of A/B Testing with Off-Policy Estimation [51.25970890274447]
  従来の手法よりも分散度を低くする非バイアスのオフ・ポリティクス推定器のファミリーを導入する。 提案手法の有効性と実用性を理論的に検証した。
  論文  参考訳（メタデータ） (2025-06-12T13:11:01Z)
• Causal rule ensemble approach for multi-arm data [0.0]
  不均一治療効果(HTE)は医学研究において重要である。 現在のHTE推定法は主にバイナリ比較のために設計されている。 マルチアームトライアルにおけるHTE推定のための解釈可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T01:03:30Z)
• Constructing Confidence Intervals for Average Treatment Effects from Multiple Datasets [51.2467404472005]
  本稿では、複数の観測データセットからATEを推定し、有効なCIを提供する新しい手法を提案する。 本手法は観測データセットの仮定をほとんど行わず,医学的実践に広く応用できる。
  論文  参考訳（メタデータ） (2024-12-16T07:39:46Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Causal Inference under Data Restrictions [0.0]
  この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。 これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
  論文  参考訳（メタデータ） (2023-01-20T20:14:32Z)
• NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
  観測データからの因果効果推定は因果推論における中心的な問題である。 我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。 我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-11-08T16:48:46Z)
• An Efficient Approach for Optimizing the Cost-effective Individualized Treatment Rule Using Conditional Random Forest [5.406112598028401]
  我々は、NMB(net-monetary-benefit)という概念を用いて、健康上の利益と関連するコストのトレードオフを評価する。 NMBに基づく分類アルゴリズムを用いて最適なCE-ITRを同定する。 我々は、NIHが出資したSystolic Blood Pressure Intervention Trialにトップパフォーマンスのアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2022-04-23T01:36:24Z)
• Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
  因果推論の中心は介入戦略の処理効果推定である。 既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。 介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-28T00:11:22Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。