通过特征平衡学习连续值治疗效果
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
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
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
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
通过中度平衡的表示学习 (MBRL) 框架,同时利用正交机器学习理论中的噪声正交性信息,本研究成功解决了从观测数据中估计平均治疗效果 (ATE) 的问题,并通过基准和模拟数据集的全面实验验证展示了方法的优越性和鲁棒性。
Sep, 2022
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。
Mar, 2021
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
通过最大化因果推断精度的熵平衡算法,我们研究了在倒数概率得分加权框架下,观测原因推断中连续治疗的问题,并使用合成和真实数据展示出我们的算法比基线熵平衡算法更准确地估计因果效应。
Jul, 2021
本文提出了一种基于连续处理效果边际敏感模型 (CMSM) 的方法,该方法结合了可扩展的算法和深度模型,用于估算高维大样本观测数据的不确定性并识别潜在干扰变量,以进一步理解当假设被放松时因果估计所引入的忽略误差,并将其应用于气候科学中由人类排放对云特征的影响的研究。
Apr, 2022
扩展了离散治疗的反倾斜权重和双重稳健方法,使用了一个利用治疗接近程度的核函数来衰减拒绝采样,缓解了样本拒绝问题,可应用于持续的治疗问题,通过个性化给药数据集的案例研究,得到了比基准更好的策略推荐结果。
Feb, 2018