AAAIFeb, 2019

学习反事实表示以估计个体剂量 - 反应曲线

PDF
TL;DR本文通过机器学习方法和神经网络构建一个新的潜在结果框架，通过表现指标、模型选择标准、模型架构和基准实验估算个体剂量反应曲线，确定在估算个体剂量反应方面的最新技术水平。
estimatingindividualdose-responsemachine-learningneural networks
发现论文，激发创造
  • 异质剂量 - 反应曲线估计的对比平衡表示学习

    对于决策制定来说，估计个体对不同治疗剂量的潜在反应至关重要，尤其在精准医学和管理科学领域。本文通过学习与治疗变量独立的协变量表示来预测反事实结果，然而，这种独立性约束忽略了对于反事实预测有用的大量协变量信息，特别是在治疗变量是连续的情况下。为了解决这个问题，本文首先从理论上证明了平衡和预测表示在无偏估计异质剂量响应曲线方面的重要性，即学习得到的表示需满足协变量与两个治疗变量及潜在反应之间的条件独立性。基于此，我们提出了一种新颖的对比平衡表示学习网络，使用部分距离度量，称为 CRNet，用于估计异质剂量响应曲线，同时不丢失治疗剂量的连续性。我们在合成和真实世界数据集上进行了广泛实验，证明了我们的方法显著优于之前的方法。

    Mar, 2024

  • 通过特征平衡学习连续值治疗效果

    CBRNet 是一种用于估计观察数据中个体剂量响应的因果机器学习方法，通过平衡表示学习对连续值治疗剂量下选择偏差的克服来准确学习治疗效果，并在新提出的基准测试中表现出与其他最先进方法相当的性能。

    Sep, 2023

  • 连续时间、连续值干预的因果推断治疗 - 反应模型

    本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

    Apr, 2017

  • 学习针对事实推断的表征

    本文提出了一个新的算法框架来回答反事实问题，其将领域适应和表示学习的思想结合起来，并通过实证比较表明，我们的深度学习算法显著优于以前的现有技术，可以用于处理各种领域的观察研究数据的因果推断问题。

    May, 2016

  • 假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

    本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

    May, 2022

  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022

  • 连续治疗效果估计的对抗平衡表示

    通过对抗对照回归网络（ACFR）以 KL 散度为度量标准对数据集进行平衡，利用注意机制保持治疗价值对结果预测的影响，理论上证明 ACFR 的目标函数是反事实结果预测误差的上界，并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最新方法的优越性。

    Dec, 2023

  • 可靠的剂量组合离策略学习

    该研究提出了一种可靠的离策略学习方法，该方法使用个性化神经网络建模联合多个剂量依赖剂量的效果，并使用条件标准化流估计广义倾向得分，以找到共享协变量 - 治疗空间中重叠有限的区域，为确定最优个性化剂量组合提供可靠的策略估计，证明了方法有效性。

    May, 2023

  • 概括性界限和表示学习用于估计潜在结果和因果效应

    本文研究了从记录的上下文、决策和结果中估计单个患者对替代药物的反应的个体层面因果效应的估计，并给出了基于不同治疗组之间的距离度量的误差的概括界限，引导了表示学习算法的开发，该算法通过规范化表示的诱导治疗组距离，鼓励治疗组之间信息的共享来最小化误差的界限。最后，对真实和合成数据的实验评估表明了所提出的表示架构和规范化方案的价值。

    Jan, 2020

  • 反事实推论和个体治疗效果的合规推断

    本篇研究提出了一种基于符合性推断的方法，用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计，适用于完全随机或分层随机试验，以及遵循强忽略性假设的一般观测研究。同时，该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。

    Jun, 2020