論文の概要: A plug-in estimator of the non-iterative conditional expectation g-formula using long short-term memory models
- arxiv url: http://arxiv.org/abs/2610.27354v1
- Date: Mon, 19 Oct 2026 22:30:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.535234
- Title: A plug-in estimator of the non-iterative conditional expectation g-formula using long short-term memory models
- Title（参考訳）: 長期記憶モデルを用いた非定常条件予測g-formulaのプラグイン推定
- Abstract要約: LSTMベースのNICE g-formulaプラグイン推定器はパラメトリック推定器よりもバイアスが少ないことを示す。
この研究は、ディープラーニングプラグイン推定器を含む理論フレームワークの開発を促進することを目的としている。
- 参考スコア（独自算出の注目度）: 12.117286448686242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The non-iterative conditional expectation (NICE) plug-in estimator of the g-formula can be used to estimate the causal effects of sustained treatment strategies, even in the presence of treatment-confounder feedback, under the assumptions of exchangeability, positivity, and consistency. In practical applications, parametric models are commonly used to estimate the joint distribution of confounders, treatments, and outcomes over time. As an alternative to parametric models, long short-term memory (LSTM) models, designed to capture both short-term patterns and long-range dependencies in sequential data, may better accommodate complex temporal dependencies among time-varying confounders, treatments, and outcomes. However, the validity of statistical inferences of a plug-in estimator based on LSTM models has not yet been investigated. Here, we provide proof of principle that, under a complex data generation mechanism that resembles data from a cohort of persons with HIV and sufficiently large sample sizes, an LSTM-based NICE g-formula plug-in estimator results in less bias than parametric estimators while achieving near-nominal coverage for 95\% confidence intervals. This work is intended to spur the development of a theoretical framework that encompasses deep learning plug-in estimators for causal inference based on high-dimensional longitudinal data.
- Abstract（参考訳）: g-formulaのNICE(Non-iterative Conditional expectation)プラグイン推定器は、交換可能性、肯定性、一貫性の仮定の下で、治療共同研究のフィードバックが存在する場合でも、持続的な治療戦略の因果効果を推定することができる。
実践的な応用において、パラメトリックモデルは、共同創設者、治療、成果の時間の経過とともに、共同分布を推定するために一般的に使用される。
パラメトリックモデルに代わるものとして、長期記憶モデル(LSTM)は、時系列データにおける短期パターンと長期依存の両方をキャプチャするために設計されており、時間的に異なる共同設立者、治療、結果の間の複雑な時間的依存関係をよりよく適合させることができる。
しかし、LSTMモデルに基づくプラグイン推定器の統計的推測の妥当性はまだ検討されていない。
ここでは、HIVと十分に大きなサンプルサイズを持つ人のコホートからのデータに類似した複雑なデータ生成機構の下で、LSTMベースのNICE g-formulaプラグイン推定器は、パラメトリック推定器よりもバイアスが少なく、95%の信頼区間でほぼ最小のカバレッジを達成できるという原理を実証する。
この研究は、高次元長手データに基づく因果推論のためのディープラーニングプラグイン推定器を含む理論フレームワークの開発を促進することを目的としている。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Parametric Prior Mapping Framework for Non-stationary Probabilistic Time Series Forecasting [15.01011081500355]
パラメトリック事前マッピング(PPM)は、パラメトリック構造的事前を生成モデリングプロセスに注入するフレームワークである。
PPMは、よく校正された不確実性推定で正確な予測を得る。
論文 参考訳（メタデータ） (2026-05-22T09:13:29Z) - Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。
共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
論文 参考訳（メタデータ） (2025-11-23T00:50:33Z) - Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。
合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2025-08-08T18:32:52Z) - Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference [33.14076284663493]
短期的なデータから長期的な因果効果を推定しなければならない。
MDPはこのような長期的ダイナミクスを捉えるための自然なフレームワークを提供する。
非パラメトリックな実装は時間間重なりの強い仮定を必要とする。
アイソトニックベルマンキャリブレーションに基づく新しいプラグイン推定器を提案する。
論文 参考訳（メタデータ） (2025-01-12T20:35:28Z) - Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。
パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。
NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-28T21:00:46Z) - Semi-supervised Regression Analysis with Model Misspecification and High-dimensional Data [8.619243141968886]
条件付き平均モデルにおける回帰係数を推定するための推論フレームワークを提案する。
提案手法は,正規化推定器を適応度スコア(PS)と結果回帰(OR)モデルの両方に用い,拡張逆確率重み付き(AIPW)法を開発した。
我々の理論的な知見は、広範囲なシミュレーション研究と実世界のデータ応用を通して検証される。
論文 参考訳（メタデータ） (2024-06-20T00:34:54Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Causal Modeling with Stochastic Confounders [11.881081802491183]
この作業は、共同設立者との因果推論を拡張します。
本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
論文 参考訳（メタデータ） (2020-04-24T00:34:44Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。