Mar, 2024

异质剂量 - 反应曲线估计的对比平衡表示学习

PDF
TL;DR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。
response estimationtreatment dosesprecision medicinemanagement sciencecrnet
发现论文，激发创造
  • 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

  • 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

  • 使用平衡权重进行反事实表示学习

    本文介绍了在因果推断中使用加权重来实现预测功能的平衡，强调了确定合适的目标人群的重要性，并使用引理将平衡与倾向性评估的质量联系起来，最终展示了学习到的加权表示如何促进具有吸引力统计特征的替代因果学习过程。

    Oct, 2020

  • 通过生成对抗网络对连续处理进行因果推断的解缠表示学习

    我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架，通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型，能够消除治疗与协变量之间的线性和非线性依赖关系，并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明，该 DRL 模型在学习去混淆表示方面表现卓越，并且胜过了针对连续治疗的最先进的反事实推理模型。此外，我们将该 DRL 模型应用于实际的医疗数据集 MIMIC，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

    Jul, 2023

  • DRTCI：学习分离表示从而实现时间因果推断

    该研究介绍了一种对患者数据历史信息的循环表示进行对抗训练，以处理时间变量混淆问题的方法，同时将协变量表示分离成影响治疗选择、影响患者结局以及两者影响的各独立要素，致力于隔离选择偏差并限制平衡努力，从而避免不必要的协变量平衡。

    Jan, 2022

  • 学习分解表示以进行因果推断

    该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

    Jun, 2020

  • 通过对抗平衡表示估算随时间变化的因果治疗结果

    介绍了一种新的序列到序列模型 —— 对立逆向网络，该模型利用患者日常观察数据，通过对领域敌对训练来处理时间变化混杂物的偏见，以可靠地作出反事实预测。在肿瘤生长的模拟模型中，比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。

    Feb, 2020

  • 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

  • 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