論文の概要: Co-Supervised Tree Synthesis for Interpretable Subgroup Identification and Honest Treatment Effect Inference in Randomized Trials

• arxiv url: http://arxiv.org/abs/2610.03927v1
• Date: Fri, 02 Oct 2026 18:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:20:47.748707
• Title: Co-Supervised Tree Synthesis for Interpretable Subgroup Identification and Honest Treatment Effect Inference in Randomized Trials
• Title（参考訳）: ランダム化試行における解釈可能な部分群同定と正直処理効果推定のための木合成
• Abstract要約: CausalSynthTreeは、ブラックボックス因果推定器が解釈可能な木の構築をガイドする、協調的な方法である。 共変量空間を細胞に分割し、観察されたデータとブラックボックスの因果教師によってラベル付けされた合成データの両方からセルワイズ平均治療効果モデルに適合させ、治療効果の相違基準によって木に合成する。 効果が線形あるいは1つのしきい値を持つ場合、ブラックボックス学習者よりも正確で、成長する木よりも細かいパーティションにのみ追従する。
• 参考スコア（独自算出の注目度）: 5.920746855674374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying patient subgroups with heterogeneous treatment effects is central to precision medicine, yet existing approaches face a tension. Black-box methods estimate individualized effects well but yield no interpretable subgroups, while tree-based methods produce explicit partitions but are unstable and less accurate in moderate-sample trials. We propose CausalSynthTree, a co-supervised method in which black-box causal estimators guide construction of an interpretable tree. It partitions the covariate space into cells, fits cell-wise conditional average treatment effect models from both observed data and synthetic data labeled by black-box causal teachers, and synthesizes them into a tree through a treatment-effect disparity criterion. Each leaf carries a sparse linear model, so the tree path defines a subgroup and the leaf model shows which covariates modify the effect. Honest inference for leaf-wise effects remains valid despite co-supervised augmentation and data-driven subgroup selection. In simulations it closes much of the gap between the two families. From moderate sample sizes onward it is more accurate than the black-box learners whenever the effect is linear or has a single threshold, and trails them only on a finer partition than the tree it grows. It controls spurious splits and attains nominal coverage throughout. In the ACTG175 HIV trial, where standard interaction tests detect no effect modification, the method reports no subgroups while the competing tree methods report several. In an adjuvant colon cancer trial it reports a borderline covariate in part of the resamples, together with a within-region age gradient that is consistent with an independent test.
• Abstract（参考訳）: 不均一な治療効果を持つ患者サブグループを特定することは、精密医療の中心であるが、既存のアプローチでは緊張に直面している。 ブラックボックス法は個々の効果を適切に推定するが、解釈可能な部分群は生成しない。 そこで我々は,ブラックボックス因果推定器が解釈可能な木の構築を誘導する,協調的手法CausalSynthTreeを提案する。 共変量空間を細胞に分割し、観察されたデータとブラックボックスの因果教師によってラベル付けされた合成データの両方から細胞性条件付き平均治療効果モデルに適合させ、治療効果の相違基準によって木に合成する。 各葉は疎線型モデルを持つので、木道は部分群を定義し、葉モデルはその効果をどの共変させるかを示す。 葉的効果に対する正直な推論は、協調教師付き増強とデータ駆動サブグループ選択にもかかわらず有効である。 シミュレーションでは、2つのファミリー間のギャップの大部分を閉じる。 適度なサンプルサイズからすると、効果が線形であるか単一のしきい値を持つ場合、ブラックボックス学習者よりも正確であり、成長する木よりも微細なパーティションにのみ追従する。 急激な分断を抑え、名目上の範囲を網羅する。 ACTG175のHIV臨床試験では、標準の相互作用テストが効果の修正を検知せず、サブグループを報告しない一方、競合するツリーメソッドはいくつか報告している。 アジュバント大腸癌臨床試験では、リサンプルの一部で境界線が共変し、独立した検査と一致した地域内年齢勾配が報告されている。

関連論文リスト

• Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias [0.0]
  本稿では,個々の治療効果を推定するための決定木とランダム森林に基づくアルゴリズムを提案する。 我々のアルゴリズムは単純で、標準的なランダム・フォレストのように動作しますが、異なる分割基準で動作します。 完全な正当性関数を別々に見積もることなく、様々な治療適合性を持つ観察的研究を扱う。
  論文  参考訳（メタデータ） (2026-09-15T10:43:57Z)
• A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion [0.0]
  固定効果の因果林を持つtau_g,t(x)オブジェクトを推定する。 集団平均治療効果ATT(g,t)の相違 本稿では,ACAメディケイド拡張におけるカウンティレベルロールアウトのバリデーションとして,Callaway-Sant'Anna最小賃金パネルに適用する。
  論文  参考訳（メタデータ） (2026-07-22T00:53:27Z)
• Simultaneous Latent Budget Trees for Stratified Classification [0.11744028458220425]
  本稿では,分類木のための確率的機械学習フレームワークである同時潜在予算木について紹介する。 モデルに基づく分割規則では、子ノードを同時混合モデルの潜在成分として解釈する。 本手法は筋萎縮性側索硬化症の疾患進行における性差について検討する。
  論文  参考訳（メタデータ） (2026-06-11T12:48:30Z)
• Unity Forests: Improving Interaction Modelling and Interpretability in Random Forests [45.88028371034407]
  ランダム・フォレスト(RF)は、予測と変動重要度分析に広く利用されている。 UFOでは、各木の最初のいくつかの分割を共同で最適化する。 UFOは標準的なRFよりも高い識別精度と予測精度を達成した。
  論文  参考訳（メタデータ） (2026-01-11T17:36:58Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Variational phylogenetic inference with products over bipartitions [48.2982114295171]
  単一連鎖クラスタリングの合体時間に基づく新しい変分族を示し,木上の分布の閉形式密度を導出する。 我々の手法はすべての木空間に対して推論を行い、マルコフ連鎖モンテカルロ部分ルーチンは不要であり、我々の変分族は微分可能である。
  論文  参考訳（メタデータ） (2025-02-21T00:06:57Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data [59.26381272149325]
  異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。 muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。 提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-19T22:02:21Z)

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。