Jul, 2024

CURLS：用于显著治疗效果的子群体因果规则学习

PDF
TL;DR本文提出了一种名为 CURLS 的新型规则学习方法，利用异质性治疗效果 (HTE) 有效地描述具有显著治疗效果的亚群体。通过在离散优化问题中精确平衡治疗效果与方差，并考虑规则的可解释性，我们设计了基于次优化 - 最大化算法的迭代过程，并将次模的下界作为原问题的近似解。量化实验和定性案例研究验证，与现有方法相比，CURLS 能够找到估计效果和真实效果分别提高了 16.1% 和 13.8%，方差减少了 12.0%，同时保持了类似或更好的估计准确性和规则可解释性。
causal inferenceheterogeneous treatment effectscurlsrule learningsubgroup descriptions
发现论文，激发创造
  • 因果规则学习：通过加权因果规则提升对异质化治疗效果的理解

    我们提出了因果规则学习方法，用于估计和增强对异质性治疗效应的理解，通过解答一个被以前研究忽略的问题，即一个个体是否同时属于多个具有不同平均治疗效应的组。模拟和真实数据分析证明了因果规则学习在复杂的地面真实情况和充足样本量时对异质性治疗效应的可解释估计的卓越性能。

    Oct, 2023

  • 确定增强治疗效果亚组的因果规则集

    文章介绍了一种基于机器学习的因果推断分析方法，使用生成模型 Causal Rule Sets (CRS) 进行可解释的子群发现，提供更灵活的模型选择，并在公共和实际数据集上进行了实验比较。

    Oct, 2017

  • SubgroupTE: 提高子群组辨识的治疗效果估计

    介绍了一种名为 SubgroupTE 的新型治疗效果估计模型，该模型在治疗效果估计中加入了子组标识，通过考虑子组特定的因果效应来更精确地估计治疗效果，并通过迭代优化子组划分和治疗效果估计网络来提高估计和子组识别的性能。

    Jan, 2024

  • 用于阿片类药物使用障碍的个性化医学中基于亚种识别的异构性治疗效果估计

    本研究介绍了一种名为 SubgroupTE 的新型神经网络框架，该框架结合了亚群识别和治疗效果估计，通过考虑治疗反应的异质性，为每个亚群同时估计治疗效果，从而提高了治疗效果估计的准确性。在合成数据上的比较实验表明，SubgroupTE 在治疗效果估计方面优于现有模型。此外，针对与阿片类药物使用障碍（OUD）相关的真实数据的实验表明，我们的方法能够增强针对 OUD 患者的个性化治疗建议的潜力。

    Jan, 2024

  • 在结构不确定性下改进基于数据驱动的异质性处理效应估计

    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

  • 异质性处理效应的极小极大优非参数估计

    本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果，其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异，并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地，一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性，而不需要通常的假设协变量密度远离零，在此关键步骤是采用独立于兴趣的新型极限不等式。

    Feb, 2020

  • 用于估计异质治疗效果的联邦学习

    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

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023

  • 稳健的异质处理效应估计跨越分布外的人群

    我们提出了一种稳定的 Balanced Representation Learning with Hierarchical-Attention Paradigm (SBRL-HAP) 框架，通过消除选择性偏见和解决分布漂移问题，实现了稳定的异质性治疗效果估计，从而提高了模型在现实世界中的适用性。实验结果表明，与现有方法相比，我们的方法在跨越不同人群的稳定 HTE 估计上具有显著的效果改善。

    Jul, 2024

  • 异质性治疗效果的学习触发器

    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