基于数据驱动的异质性治疗效应估计
该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法,并从数据中学习相关部分的因果结构,为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明,该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法,并可降低异质性治疗效果估计误差。
Jun, 2022
本文探讨了异质性治疗效应估计的一个变体问题,提出了一种基于树形学习方法来寻找治疗效应异质性的方法,可以学习和确认个体化的治疗方案,并在多个数据集上的实验证明了该方法比现有方法更为优越。
Jan, 2019
本文研究对社会项目和医疗方案的疗效进行随机实验评估时,如何准确评估其异质性治疗效应,进而为大量可用的治疗方案选择最有效的方案,确定治疗成功或失败的人群,以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法,并证明其优于常用替代方法。
May, 2013
研究利用后处理的特征重要性方法来评估治疗效果估计器,通过建立基准环境,从而以往未被重视的新维度来研究个性化治疗效果模型的能力,以识别影响模型预测的特征,并提供有关处理效果模型的不同类型的优缺点的新见解。
Jun, 2022
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
本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计,并减少了问题到最小化一个适当的损失函数(依赖于一组辅助模型,每个模型对应一个独立的预测任务)的规模。
May, 2019
使用机器学习方法估计异质治疗效应(HTE)可以在各个领域(如医疗保健、政策制定、教育等)中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架,实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测,并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。
Feb, 2024
本研究论述了一些治疗效果评估的方法,探究了不同的元学习策略并以神经网络为基础,旨在构建更好的条件 / 环境下,使某些学习者的表现优于其他学习者的认识。
Jan, 2021