論文の概要: Admissible Diffusion for Multimodal Interventional Trajectories
- arxiv url: http://arxiv.org/abs/2609.34433v1
- Date: Mon, 28 Sep 2026 06:52:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 20:47:35.835108
- Title: Admissible Diffusion for Multimodal Interventional Trajectories
- Title（参考訳）: 多モード干渉軌道に対する許容拡散
- Abstract要約: 本稿では,不規則なマルチモーダル表現,処理条件付き潜在拡散,生成状態や動作に対する明示的制約を組み合わせたADMITを提案する。
処理・露光力学は潜時遷移を条件とし、状態投影やアクションゲーティングはロールアウト中に制約を適用し、その後の軌道生成に影響を与える。
- 参考スコア（独自算出の注目度）: 28.01664004372961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating a plausible clinical trajectory does not establish what would happen under a different treatment. We present ADMIT, a framework combining irregular multimodal representations, treatment-conditioned latent diffusion and explicit constraints on generated states or actions. We formulate its interventional target through sequential g-computation and distinguish causal assumptions from constraint satisfaction. Its admissibility mechanism translates physiological prior knowledge into explicit constraints on generated states and proposed actions. Treatment-exposure dynamics condition latent transitions, while state projection or action gating applies the constraints during rollout so that they influence subsequent trajectory generation. In our preliminary experiments, multimodal inputs improved supervised hidden-state recovery and reduced treatment-contrast error. In a simulated dosing-schedule experiment with leak-free history encoding, ADMIT predicted most of the tumor-volume change caused by redistributing a fixed total dose. An exposure input improved these predictions around a temporary dose reduction whether or not the assumed clearance rate was correct, but reduced the predicted size of a dose effect, and a deterministic recurrent baseline matched ADMIT's average predictions. Exposure projection reduced constraint violations, although enforcement remained incomplete. Semi-synthetic experiments using eICU context illustrated treatment-response generation under fixed and adaptive policies. Observational examples further characterize model treatment sensitivity. ADMIT provides a framework for testing whether complementary observations and physiological restrictions improve intervention trajectories, with representation recovery, effect accuracy and rule enforcement assessed separately.
- Abstract（参考訳）: 妥当な臨床軌跡を生成することは、異なる治療の下で何が起こるかを確立するものではない。
本稿では,不規則なマルチモーダル表現,処理条件付き潜在拡散,生成状態や動作に対する明示的制約を組み合わせたADMITを提案する。
逐次的なg-計算によって介入目標を定式化し、因果仮定と制約満足度を区別する。
その許容性メカニズムは、生理学的事前知識を、生成された状態と提案された行動に関する明示的な制約に翻訳する。
処理・露光力学は潜時遷移を条件とし、状態投影やアクションゲーティングはロールアウト中に制約を適用し、その後の軌道生成に影響を与える。
予備実験では,マルチモーダル入力により隠蔽状態回復が改善し,治療・コントラスト誤差が低減した。
リークフリーヒストリーエンコーディングを用いた模擬ドスチング・スケジュール実験において、ADMITは、固定された総量の再分配による腫瘍体積の変化のほとんどを予測した。
曝露入力により, 推定クリアランス率が正しいか否かに関わらず, 仮用量削減に関する予測が改善したが, 線量効果の予測サイズは減少し, 決定論的再帰ベースラインはADMITの平均予測と一致した。
暴露プロジェクションは制約違反を減らしたが、執行は不完全だった。
eICUコンテキストを用いた半合成実験は、固定的および適応的ポリシーの下での処理応答生成を図示した。
観察例はモデル治療感度をさらに特徴付ける。
ADMITは、補完的な観察と生理学的制限が介入軌道を改善するかどうかをテストするためのフレームワークを提供する。
関連論文リスト
- Calibrated Bayesian Inference for Stochastic Intervention Effects [0.0]
因果推論は、決定論的処理の割り当てによって定義される古典的な因果効果を超えてますます拡張される。
非パラメトリックベイズモデルは、その柔軟性と固有の不確実性伝播のために調整された介入効果を推定するのに魅力的である。
先行アルゴリズムや適合アルゴリズムを変更せずに後部サンプルに適用できる簡易な後処理補正法を開発した。
論文 参考訳（メタデータ） (2026-08-03T22:20:40Z) - The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [56.649987197786096]
大規模言語モデル(LLM)は人間の行動のシミュレータとしての可能性を示している。
LLMは潜在ユーザ属性の意図しないシフトを誘発し、ユーザのドリフトを引き起こす。
ユーザのドリフトによって生じる不確実性や選択バイアスを形式化する。
論文 参考訳（メタデータ） (2026-05-20T06:09:41Z) - Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data [1.360712433091342]
2つの治療条件下での生存確率の差を推定する学習方法であるsurv-iTMLEを導入する。
既存の推定装置とは異なり、surv-iTMLEは、時間とともに推定された処理効果曲線の滑らかさとバウンドネスを保ちながら、左トランケーションと右検閲の両方を許容する。
有限標本における時間変化効果推定の偏りや滑らかさの観点から,surv-iTMLEは既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-03-27T15:08:07Z) - Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。
本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。
本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
論文 参考訳（メタデータ） (2025-07-09T20:33:33Z) - 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) - Adversarially Balanced Representation for Continuous Treatment Effect
Estimation [6.469020202994118]
本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。
本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。
半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
論文 参考訳（メタデータ） (2023-12-17T00:46:16Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Individual Treatment Prescription Effect Estimation in a Low Compliance
Setting [11.672067762133299]
個別処理効果推定は、様々な領域で応用される広範囲に研究されている問題である。
我々は,信号の消失を防止するために,観測されたコンプライアンス情報を活用するIPE推定のための新しい手法を提案する。
私たちは、低コンプライアンス設定における最先端性を一貫して改善するアプローチのメリットを強調する、合成データセットと実世界のデータセットの両方で実験を行います。
論文 参考訳（メタデータ） (2020-08-07T15:53:00Z) - 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。