論文の概要: HiSTOR: Structured Treatment-outcome Representation Learning for High-Dimensional Longitudinal Data
- arxiv url: http://arxiv.org/abs/2610.17739v1
- Date: Tue, 13 Oct 2026 05:17:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.526593
- Title: HiSTOR: Structured Treatment-outcome Representation Learning for High-Dimensional Longitudinal Data
- Title（参考訳）: HiSTOR:高次元縦データのための構造化処理出力表現学習
- Abstract要約: HiSTORは、非線形次元の低減と縦方向の反事実予測を統合したエンドツーエンドのフレームワークである。
特定の処理シーケンス下での一段階および多段階の結果予測をサポートする。
- 参考スコア（独自算出の注目度）: 21.798190864623393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating potential outcomes under alternative treatment sequences is essential for personalized decision-making, but remains challenging with high-dimensional covariates and time-varying confounding. In this study, we propose HiSTOR (High-dimensional Structured Treatment-Outcome Representation), an end-to-end framework that integrates nonlinear dimension reduction with longitudinal counterfactual prediction. The central idea is to learn structured low-dimensional representations of both current patient states and evolving histories, according to their shared and distinct relationships with treatment assignment and outcomes. This extends latent-space covariate adjustment to longitudinal settings, jointly addressing covariate dimensionality and historical complexity. The resulting framework supports one-step and multi-step outcome prediction under specified treatment sequences. Experiments on CVSim and CancerSim demonstrate the superiority of HiSTOR across varying covariate dimensions, confounding strengths, and prediction horizons compared to state-of-the-art methods. To sum up, HiSTOR offers a unified approach to connecting high-dimensional covariate adjustment with longitudinal potential-outcome prediction.
- Abstract（参考訳）: 代替治療シーケンスに基づく潜在的結果の推定は、パーソナライズされた意思決定には不可欠であるが、高次元の共変量と時間変化の相違は依然として困難である。
本研究では,非線型次元の低減と長手方向の反事実予測を統合するエンドツーエンドフレームワークであるHiSTOR(High-dimensional Structured Treatment-Outcome Representation)を提案する。
中心となる考え方は、治療の課題や成果と共有的かつ異なる関係性に基づいて、現在の患者の状態と進化する歴史の両方の構造化された低次元表現を学習することである。
これは、ラテン・スペースの共変量調整を縦方向の設定に拡張し、共変量次元と歴史的複雑さに共同で対処する。
得られたフレームワークは、特定の処理シーケンスの下での一段階および多段階の結果予測をサポートする。
CVSim と CancerSim の実験では, 各種共変量次元における HiSTOR の優位性, コンバウンディング強度, 予測地平線について, 最先端の手法と比較して検証した。
要約すると、HiSTORは高次元共変量調整と長手電位出力予測を結合するための統一的なアプローチを提供する。
関連論文リスト
- Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。
ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。
HERLは最先端のアプローチよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-04-18T10:50:46Z) - C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference [18.510457926165373]
経時的軌跡から因果効果を推定することは、複雑な状態の進行の理解の中心である。
シーケンシャル因果推論のための最寄りのフレームワークであるemphC-kNN-LSHを紹介する。
論文 参考訳（メタデータ） (2026-02-02T17:35:57Z) - Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies [1.338174941551702]
個別治療体制(ITR)は、患者固有の特徴に基づいて治療を割り当てることにより、臨床結果を改善することを目的としている。
本稿では,潜在的結果のコントラストを目標とし,低次元部分空間を同定する,新しい十分次元削減手法を提案する。
提案手法は,緩やかな規則性条件下で,ベイズリスクに収束する普遍的整合性を実現することを示す。
論文 参考訳（メタデータ） (2026-01-11T05:38:08Z) - Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。
最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。
第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。
第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文 参考訳（メタデータ） (2025-12-04T16:51:49Z) - Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。
データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。
既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。
本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-28T10:00:39Z) - Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。
我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。
拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
論文 参考訳（メタデータ） (2025-07-07T13:22:35Z) - G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes [29.250837221920925]
本稿では,動的および時間的処理戦略の下での対実結果予測のためのG-Transformerを提案する。
我々のアプローチはTransformerアーキテクチャを利用して、時間変化の共変量における複雑な長距離依存関係をキャプチャする。
G-Transformerは、これらの設定において、古典的および最先端の対実予測モデルの両方を上回っている。
論文 参考訳（メタデータ） (2024-06-08T16:04:33Z) - High Dimensional Causal Inference with Variational Backdoor Adjustment [57.31312942774617]
我々は,高次元治療と共同設立者のバックドア調整のための生成的モデリングアプローチを採っている。
半合成X線医療データを含む多種多様な高次元環境における介入可能性の推定が可能となる。
論文 参考訳（メタデータ） (2023-10-09T19:21:41Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Hi-CI: Deep Causal Inference in High Dimensions [23.588253984635987]
因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIを提案する。
合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を実証する。
論文 参考訳（メタデータ） (2020-08-22T15:41:59Z)
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。