論文の概要: Doubly-robust causal inference for multi-valued treatment regimes with recurrent neural networks

• arxiv url: http://arxiv.org/abs/2611.08077v1
• Date: Thu, 05 Nov 2026 14:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.53564
• Title: Doubly-robust causal inference for multi-valued treatment regimes with recurrent neural networks
• Title（参考訳）: リカレントニューラルネットワークを用いた多値治療システムに対する二重障害因果推論
• Abstract要約: 患者に対する多値治療体制の因果効果を2倍に見積もる手法を提案する。 多項処理モデルは、アンサンブル機械学習による一連の二項回帰と同様に動作するが、処理モデルがRNNである場合にはより安定した推論が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a doubly-robust method to estimate the causal effects of multi-valued treatment regimes on patient outcomes. A multi-valued treatment regime assigns personalized treatments from a set of competing options based on a patient's history. Existing methods for optimal treatment regimes are largely limited to binary or continuous treatments. We extend the longitudinal targeted minimum loss-based estimator (LTMLE) to accommodate multi-valued treatments by modeling treatment assignments with a multinomial model. We further integrate recurrent neural networks (RNNs) into the LTMLE framework as learners for the outcome, treatment, and censoring models, and compare this approach to ensemble machine learning. Simulation studies show that LTMLE with either ensemble machine learning or RNNs is approximately unbiased, with close to nominal coverage, whereas sequential g-computation with ensemble machine learning is substantially biased under a dynamic rule. A multinomial treatment model performs similarly to a series of binomial regressions with ensemble machine learning, but yields more stable inference when the treatment model is an RNN.
• Abstract（参考訳）: 患者に対する多値治療体制の因果効果を2倍に見積もる手法を提案する。 多値治療体制は、患者の履歴に基づいて、競合する選択肢のセットからパーソナライズされた治療を割り当てる。 既存の最適な治療体制の方法は、主に2次または連続的な治療に限られる。 対象とする最小損失ベース推定器(LTMLE)を多項モデルでモデル化することで,多値処理に対応するように拡張する。 さらに、リカレントニューラルネットワーク(RNN)をLTMLEフレームワークに統合し、結果、治療、検閲モデルの学習者にし、このアプローチを機械学習のアンサンブルと比較する。 シミュレーション研究により、アンサンブル機械学習またはRNNのいずれかを持つLTMLEは、ほとんど偏りがなく、名目的カバレッジに近く、一方、アンサンブル機械学習を用いた逐次g計算は、動的規則の下で実質的に偏りがあることが示されている。 多項処理モデルは、アンサンブル機械学習による一連の二項回帰と同様に動作するが、処理モデルがRNNである場合にはより安定した推論が得られる。

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)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Multimodal Prescriptive Deep Learning [5.22980614912553]
  マルチモーダルなディープラーニングフレームワークPrescriptive Neural Networks(PNN)を紹介する。 PNNは、埋め込みに基づいてトレーニングされたフィードフォワードニューラルネットワークで、結果最適化処方薬を出力する。 2つの実世界のマルチモーダルデータセットにおいて、PNNが推定結果を大幅に改善できる治療を処方することを実証する。
  論文  参考訳（メタデータ） (2025-01-24T00:37:28Z)
• 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)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Treatment-RSPN: Recurrent Sum-Product Networks for Sequential Treatment Regimes [3.7004311481324677]
  Sum-product Network (SPN) は、高い効率な確率的推論を可能にする新しいディープラーニングアーキテクチャとして登場した。 RSPNを用いた逐次的処理決定行動と処理応答のモデル化のための一般的なフレームワークを提案する。 本研究は,MIMIC-IV集中治療ユニット医療データベースから得られた,人工的データセットと実世界のデータに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2022-11-14T00:18:44Z)
• Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects [2.294014185517203]
  条件平均処理効果(CATE)の推定は、観測データによる因果推論における主な課題の1つである。 メタラーナーと呼ばれる非パラメトリック推定器は、特定の教師付き学習方法に対する推定を抑えない主な利点として、CATEを推定するために開発された。 本稿では,多値処理の異種効果を推定するためのメタラーナーについて検討する。
  論文  参考訳（メタデータ） (2022-05-29T16:46:21Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。