論文の概要: Distribution-First Framework for Learning Risk-Sensitive Individualized Treatment Rules
- arxiv url: http://arxiv.org/abs/2611.16274v1
- Date: Thu, 12 Nov 2026 04:22:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.359644
- Title: Distribution-First Framework for Learning Risk-Sensitive Individualized Treatment Rules
- Title(参考訳): リスク感性個別化処理ルール学習のための分散ファーストフレームワーク
- Abstract要約: リスクに敏感なITR学習のための分散ファーストフレームワークを提案する。
まず、治療固有の条件付き結果分布を推定し、その後、プラグイン基準評価によりターゲットITRを構築する。
実験により,提案するフレームワークは,複数の設定で直接基準固有の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 14.339604023948757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning a risk-sensitive individualized treatment rule (ITR) with patient covariates is challenging when the treatment criterion depends on the full conditional outcome distribution rather than only its conditional mean. Existing methods are largely criterion-specific, making it difficult to compare multiple treatment criteria within a common pipeline, such as quantiles, conditional value-at-risk (CVaR), and complex preference-based objectives such as cumulative prospect theory. We propose a distribution-first framework for risk-sensitive ITR learning that first estimates treatment-specific conditional outcome distributions and then constructs the target ITR by plug-in criterion evaluation. The proposed framework unifies treatment rule learning across multiple criteria and accommodates hard-to-optimize objectives within the same estimation pipeline. On the theoretical side, it yields a general error propagation result for locally Hölder-stable criteria, linking first-stage distribution estimation error to downstream criterion estimation and treatment regret, together with sharper regret bounds under standard margin conditions. Empirically, we show that the proposed framework outperforms direct criterion-specific methods in multiple settings and further evaluate it on the ACTG175 HIV clinical trial, a randomized study comparing several antiretroviral regimens in HIV-infected adults.
- Abstract(参考訳): リスクに敏感な個別治療規則(ITR)を患者共変量で学習することは、治療基準が条件平均よりも完全な条件結果分布に依存する場合に困難である。
既存の手法は主に基準固有であり、量子化、条件付き値アットリスク(CVaR)、累積予測理論のような複雑な嗜好に基づく目的など、共通のパイプライン内での複数の治療基準を比較することは困難である。
本稿では、まず、治療固有の条件付き結果分布を推定し、プラグイン基準評価によりターゲットITRを構築する、リスク感応性ITR学習のための分布優先フレームワークを提案する。
提案フレームワークは,複数の基準にまたがる処理規則学習を統一し,同一推定パイプライン内で目標を最適化する。
理論面では、Hölder-stableの局所的な基準に対する一般的な誤差伝搬結果が得られ、標準限界条件下でのよりシャープな後悔境界とともに、第1段階の分布推定誤差を下流の基準値の推定と治療後悔にリンクする。
HIV感染成人における抗レトロウイルス薬の無作為比較試験であるACTG175 HIV臨床試験において,本フレームワークは,複数の設定で直接基準特異的な方法より優れており,さらに高い評価が得られた。
関連論文リスト
- Targeted Active Learning for Preference-Based Treatment Effects on Multivariate Outcomes [9.17655286354138]
結果プロファイルよりも優先ルールが与えられると、治療効果と最適ポリシーが定義され、推定される。
本稿では,クエリとの比較を選択するアクティブラーニングフレームワークを提案する。
我々の基準は、同等のクエリ予算において、既存の基準よりも治療効果推定誤差が低く、政策後悔が低いことを達成している。
論文 参考訳(メタデータ) (2026-10-02T08:31:35Z) - Bayesian Mediation Analysis for Individualized Treatment Rules [0.5999777817331315]
個別化治療規則(ITR)の値は、平均的な臨床効果を評価するのに有用であるが、どのようにルールの利点が生成されるかは説明できない。
本稿では,事前指定候補ITRと臨床的に有意な基準規則のコントラストを,直接的および間接的成分に分解する因果媒介フレームワークを提案する。
論文 参考訳(メタデータ) (2026-07-30T19:59:18Z) - Set-Valued Policy Learning [17.33185980499072]
本稿では,複数処理設定のための政策学習パラダイムを提案する。
提案手法は,新しいテキスト・グラデスト・ロウアー・バウンド法により複数の処理に拡張し,未観測の地道的最適処理と推定された最適処理規則のギャップを埋めるテキスト・コンフォーマル・ポリシー学習を導入する。
論文 参考訳(メタデータ) (2026-05-19T13:24:26Z) - CriterAlign: Criterion-Centric Rationale Alignment for Code Preference Judging [95.02210956333374]
本稿では,一対の選好評価にルーブリックに基づく判断を適応させる基準中心のフレームワークを提案する。
BigCodeRewardでは、CriterAlignはQwen2.5-VL-32Bモノリシック判事を60.4%から66.3%に改善した。
論文 参考訳(メタデータ) (2026-05-19T10:59:19Z) - Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。
本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
論文 参考訳(メタデータ) (2025-02-22T19:54:14Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。
本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。
シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
論文 参考訳(メタデータ) (2022-05-23T17:40:31Z) - Evaluating Treatment Prioritization Rules via Rank-Weighted Average
Treatment Effects [24.258855352542096]
本稿では,治療優先化ルールの質を比較し,検証するための簡易かつ一般的な指標として,ランク重み付き平均治療効果指標を提案する。
RATEメトリクスは、優先順位付けルールの導出方法に非依存であり、治療から最も恩恵を受ける個人をどの程度正確に識別するかのみを評価する。
我々は脳卒中患者に対するアスピリンの最適標的を含む多くの応用の文脈でRATEを紹介した。
論文 参考訳(メタデータ) (2021-11-15T18:22:35Z)
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。