Jan, 2020

学习重叠表示用于估计个性化治疗效果

PDF
TL;DR选择干预的决策取决于其潜在的利益或伤害与替代方案相比。通过观察性数据估计替代方案的可能结果是一个具有挑战性的问题，尽管深度核回归算法和后验正则化框架在多个基准数据集上表现优越，但我们发现学习输入的域不变表示的算法经常不合适，并开发以依赖于域重叠和强调需要可逆潜在映射的泛化界限。
interventionobservational dataselection biasdomain-invariant representationsdeep kernel regression
发现论文，激发创造
  • 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

  • 使用多任务高斯过程进行个性化治疗效应的贝叶斯推断

    基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。

    Apr, 2017

  • 识别干预外推的表示

    本文考虑识别性表示学习和干预外推任务，发现可识别表示能有效预测干预对结果的影响，即使干预呈非线性关系。通过结合干预外推任务和可识别表示学习，我们提出了一种新的方法 Rep4Ex，通过对观察特征进行非线性外推，成功预测未观察干预的效应。

    Oct, 2023

  • 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

  • 领域不变图像表示的高效学习

    本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

    Jan, 2013

  • 在潜在空间中通过领域不变表示学习改善入侵检测

    通过多任务学习，我们引入了一种两阶段表示学习技术，旨在从跨越多个领域的特征中培养一个潜在空间，包括原始和跨领域的特征，以增强在未见过的内部分布和外部分布领域的推理能力。此外，我们试图通过最小化先验和潜在空间之间的互信息来解耦潜在空间，从而有效地消除虚假特征之间的关联性。总体而言，这种联合优化将促进领域无关的特征学习。我们使用标准分类指标在多个网络安全数据集上评估模型的有效性，并将结果与当代领域泛化方法进行对比。

    Dec, 2023

  • 通过域不变表示估计分布转移下的泛化能力

    本篇论文研究机器学习模型在不同测试分布的情况下表现不佳且过度估计它们的表现的问题，并提出一种基于领域不变性预测模型的方法来更好地估计模型在转移学习领域的性能，从而实现了领域自适应和对给定模型在分布转移情况下进行准确的目标误差估计，并可以用于模型选择、决定早期停机和错误检测。

    Jul, 2020

  • 估计个体治疗效果时模型选择方法比较

    对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

    Apr, 2018

  • 学习反事实表示以估计个体剂量 - 反应曲线

    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。

    Feb, 2019

  • 从一般非线性混合干预中学习线性因果表示

    本文研究了从未知潜在干预中学习因果表征的问题，并且证明了在情形下强可辨识性，该情形中潜在分布是高斯分布，混合函数是完全一般化的。

    Jun, 2023