Mar, 2021

VCNet 和功能定向正则化的连续处理因果效应学习

PDF
TL;DR本文提出了一个新颖的变系数神经网络，可以更好地描述接受连续剂量处理时的平均剂量 - 反应曲线；并且，我们将有针对性的正则化推广到更为复杂的情况，得到对整个剂量 - 反应曲线的双重稳健估计。
average dose-response curveneural networksregularizationcontinuous treatmentsmodel expressiveness
发现论文，激发创造
  • 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

  • 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

  • 基于变分自编码器的连续处理效应估计的解耦表示

    本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

    Jun, 2024

  • 神经网络估计治疗效果的适应

    本文研究了神经网络在处理观测数据中的治疗效果估计方面的应用，提出了一个新的 Dragonnet 神经网络架构和一个有针对性的正则化程序，这些方法在基准数据集上的研究表明，优于现有的方法。

    Jun, 2019

  • 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

  • 使用神经控制微分方程连续建模对照结果

    借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

    Jun, 2022

  • 深度神经网络微调上的自适应随机特征正则化

    使用自适应随机特征正则化 (AdaRand) 方法，无需辅助源信息和重大计算成本，通过改变特征向量的分布来提高训练模型的下游分类任务性能。

    Mar, 2024

  • 干预数据的可微因果发现

    本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

    Jul, 2020

  • 因果动态变分自编码器用于纵向数据的对因回归

    在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。

    Oct, 2023