論文の概要: OrthoGen: A Generative Orthogonal Learner for Time-Varying Treatments

• arxiv url: http://arxiv.org/abs/2610.10210v1
• Date: Wed, 07 Oct 2026 15:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.985181
• Title: OrthoGen: A Generative Orthogonal Learner for Time-Varying Treatments
• Title（参考訳）: OrthoGen: 時間変化治療のための生成直交学習システム
• Abstract要約: 経時的に条件分布ポテンシャル(CDPO)を推定することは医学において重要である。 本稿では, フレキシブルな生成モデルを用いて, 時間変化によるCDPOの学習を目指す。
• 参考スコア（独自算出の注目度）: 37.02508140252947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating conditional distributional potential outcomes (CDPOs) over time is important in medicine (e.g., to estimate patient-specific risks under different treatment sequences). However, this task is challenging because of time-varying confounding, yet existing adjustment strategies for this task are limited. In this paper, we aim to learn CDPOs under time-varying treatments using flexible generative models. Our contributions are two-fold. (1) We introduce a tailored adjustment strategy for our setting, namely, generative recursive g-computation. Our adjustment strategy recursively propagates full conditional outcome distributions rather than conditional means, modeling the variables of interest directly rather than full trajectories. Building on our adjustment strategy, we formulate simple generative learners for CDPO estimation. However, these learners can be sensitive to nuisance estimation errors, which motivates an orthogonal learner. (2) We thus introduce OrthoGen, a Neyman-orthogonal and doubly robust generative learner. Importantly, we show that OrthoGen further achieves rate double robustness and quasi-oracle efficiency under suitable conditions. Our learners are flexible and can be instantiated with different generative backbones (e.g., normalizing flows and diffusion models). Across experiments with synthetic, semi-synthetic and real-world datasets, we find that OrthoGen is highly effective. To the best of our knowledge, we are the first to propose a generative orthogonal learner for estimating CDPOs under time-varying treatments.
• Abstract（参考訳）: 条件分布電位(CDPO)を経時的に推定することは、医学において重要である(例えば、異なる治療シーケンスの下で患者固有のリスクを推定するために)。 しかし,この課題は時間的変化が原因で難題となっているが,既存の調整戦略は限られている。 本稿では, フレキシブルな生成モデルを用いて, 時間変化によるCDPOの学習を目指す。 私たちの貢献は2倍です。 1) 生成的再帰的g-計算という設定を調整した調整戦略を導入する。 我々の調整戦略は、条件付き手段よりも条件付き結果の完全な分布を再帰的に伝播させ、完全な軌道ではなく、興味のある変数を直接モデル化する。 調整戦略に基づいてCDPO推定のための単純な生成学習者を定式化する。 しかし,これらの学習者は,直交学習者の動機となるニュアンス推定誤差に敏感である。 そこで我々はNeyman-orthogonal and doublely robust generative learnerを紹介する。 重要なこととして,OrthoGenは適切な条件下で,速度の2倍のロバスト性および準オークル効率を実現する。 私たちの学習者は柔軟で、異なる生成バックボーン(例えば、フローと拡散モデルの正規化)でインスタンス化できます。 合成,半合成,実世界のデータセットを用いた実験では,OrthoGenが極めて有効であることが判明した。 本研究は,CDPOの経時的変化を推定する生成直交学習手法を初めて提案するものである。

関連論文リスト

• Designing RNAs with Language Models [3.332772772624738]
  RNA設計は指数関数的に大きな配列空間と指数関数的に多くの競合する折り畳みのために困難である。 自己回帰言語モデル (LM) としてインスタンス化された再利用可能なニューラル近似器を導入し, ターゲット構造を直接シーケンスにマッピングする。 4つのデータセットにわたって、我々の手法はボルツマン確率のような重要な指標上で最先端のシステムよりも1.7倍高速である。
  論文  参考訳（メタデータ） (2026-02-12T22:57:09Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes [50.228749840286895]
  本稿では,潜在的結果の条件分布を推定する生成的Neyman-orthogonal Learningersの一般スイートを紹介する。 提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。 従来の手法とは異なり、GDR学習者は準器効率と二重頑健性の性質を持っている。
  論文  参考訳（メタデータ） (2025-09-26T21:35:28Z)
• An Adaptive Orthogonal Convolution Scheme for Efficient and Flexible CNN Architectures [8.136541584281987]
  AOC(Adaptative Orthogonal Convolution)は,従来の手法を拡張するスケーラブルな手法である。 実験を通して,本手法がスケールするにつれて効率が向上する表現モデルを生成することを示す。 さらなる進歩を促すため,Orthogoniumと呼ばれるこの手法を実装したオープンソースのpythonパッケージを提供する。
  論文  参考訳（メタデータ） (2025-01-14T08:32:12Z)
• Transfer Learning with Foundational Models for Time Series Forecasting using Low-Rank Adaptations [0.0]
  本研究は,時系列予測タスクに対するFM,Large Language Modelsの直接的な適応手法であるLLIAMを提案する。 LLIAMとRecurrent Neural NetworksやTemporal Convolutional Networks、LLMベースのTimeLLMなど、さまざまな最先端DLアルゴリズムのパフォーマンスの比較を行った。 本研究の結果はLLIAMの有効性を実証し, この単純かつ汎用的なアプローチは, 複雑な修正を加える必要がなくなることなく, 有能な結果が得られることを示した。
  論文  参考訳（メタデータ） (2024-10-15T12:14:01Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。