論文の概要: Neural Supervised Clustering for Learning Individualized Treatment Rules with Many Treatments

• arxiv url: http://arxiv.org/abs/2610.19104v1
• Date: Tue, 13 Oct 2026 19:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.774127
• Title: Neural Supervised Clustering for Learning Individualized Treatment Rules with Many Treatments
• Title（参考訳）: 多数処理による個別処理規則学習のためのニューラルスーパービジョンクラスタリング
• Abstract要約: 非線形教師付きクラスタリング融合(NSCF)は、類似の学習コントラストで治療をグループ化するニューラルネットワークQラーニングフレームワークである。 交互アルゴリズムは、ニューラルトレーニング、埋め込み融合、バリデーションベースのパーティションセレクション選択、不給のグループリフィットを組み合わせる。 これらの結果は、治療効果が共有構造を示す場合に、教師付き治療融合による非線形表現学習を支援する。
• 参考スコア（独自算出の注目度）: 7.1526240142318676
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning an individualized treatment rule (ITR) with many treatments requires estimating treatment-specific effects from limited observations per arm. Treatments with similar conditional responses can share information, but linear contrast models may miss nonlinear heterogeneity. We propose nonlinear supervised clustering fusion (NSCF), a neural Q-learning framework with a shared nonlinear covariate representation and low-dimensional treatment embeddings. Pairwise fusion groups treatments with similar learned contrasts, yielding an ITR and an interpretable partition. An alternating algorithm combines neural training, embedding fusion, validation-based partition selection, and unpenalized grouped refitting. NSCF lowers regret relative to a strong neural reference in nonlinear exact-sharing simulations; perturbations characterize the limits of hard sharing. In a melanoma xenograft application, NSCF improves average policy value over the neural reference. These results support nonlinear representation learning with supervised treatment fusion when treatment effects exhibit shared structure.
• Abstract（参考訳）: 個別化された治療規則(ITR)を多くの治療で学習するには、腕ごとの限られた観察から治療固有の効果を推定する必要がある。 同様の条件応答を持つ処理は情報を共有できるが、線形コントラストモデルは非線形不均一性を欠くことがある。 共有非線形共変量表現と低次元処理埋め込みを有するニューラルネットワークQラーニングフレームワークである非線形教師付きクラスタリング融合(NSCF)を提案する。 Pairwise fusion group treatments with similar learned contrasts, yield a ITR and a interpretable partition。 交互アルゴリズムは、ニューラルトレーニング、埋め込み融合、バリデーションベースのパーティションセレクション選択、不給のグループリフィットを組み合わせる。 NSCFは非線形の完全共有シミュレーションにおいて強い神経参照と比較して後悔を減らし、摂動はハードシェアリングの限界を特徴づける。 メラノーマXenograftアプリケーションでは、NSCFは神経基準よりも平均的なポリシー値を改善する。 これらの結果は、治療効果が共有構造を示す場合に、教師付き治療融合による非線形表現学習を支援する。

関連論文リスト

• Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
  我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。 このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。 合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
  論文  参考訳（メタデータ） (2026-05-10T12:50:25Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Doubly Robust Fusion of Many Treatments for Policy Learning [7.943530359935207]
  治療群間での共変量を安定的にバランスするキャリブレーション重み付き処理融合法を提案する。 我々は、一貫性、治療融合のオラクル特性、後悔境界を含む理論的保証を確立する。 本手法の実用性について,全国の電子健康記録由来の非識別データベースを用いて概説する。
  論文  参考訳（メタデータ） (2025-05-12T21:55:57Z)
• Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
  本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。 急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。 我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T03:16:59Z)
• Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
  反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。 本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
  論文  参考訳（メタデータ） (2024-01-29T21:13:01Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• On the Relation between Internal Language Model and Sequence Discriminative Training for Neural Transducers [52.88268942796418]
  内部言語モデル(ILM)のサブトラクションは、RNN-Transducerの性能向上に広く応用されている。 列識別訓練は, 理論的, 経験的両面からILMサブトラクションと強く相関していることを示す。
  論文  参考訳（メタデータ） (2023-09-25T13:35:28Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments [26.991483018857803]
  本論文では, コンビネーション処理における反事実表現を学習する新しい手法であるニューラル反事実関係推定法(NCoRE)を提案する。 NCoREは、学習された治療相互作用変調器を含む新しい分岐状態神経表現に基づいており、複数の治療の組み合わせの基礎となる潜在的な因果生成過程を推測する。
  論文  参考訳（メタデータ） (2021-03-20T13:25:00Z)

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。