A Perspective on Individualized Treatment Effects Estimation from Time-series Health Data
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所)
本文综述了时间序列健康数据中个体化治疗效果估计的研究,总结了最新方法并探讨了挑战与未来方向,旨在推动个性化医疗。
2024-02-07 cs.LG
A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对观测数据因果估计中协变量失衡与混杂偏倚问题,提出融合IPW与扩散预训练的IWDD生成框架,通过随机化调整简化计算并降低梯度方差,实现了最优的样本外预测性能。
2025-05-16 cs.LG stat.AP stat.ME
Reliable Off-Policy Learning for Dosage Combinations
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文针对个性化医疗中多个连续剂量组合的联合效应建模难题,提出一种三步式可靠离线策略学习方法,结合定制神经网络、条件归一化流和基于梯度的优化,在避开低重叠区域的同时学习最优个体化剂量组合。
2023-10-27 cs.AI cs.LG
Near-optimal Individualized Treatment Recommendations
Binghamton University, State University of New York(纽约州立大学宾汉姆顿大学);Fred Hutchinson Cancer Research Center(弗雷德·哈钦森癌症研究中心);Eli Lilly and Company(礼来公司)
个体化治疗推荐(ITR)是精准医疗的重要分析框架。我们的目标是根据患者的个人特征为他们分配适当的治疗。从机器学习的角度来看,ITR问题的解决方案可以被公式化为加权分类问题,以最大化患者从推荐的治疗中获得的平均益处。已经提出了几种方法ITR在二进制和多类别的治疗设置。在实践中,人们可能更喜欢有多种治疗选择的更灵活的建议。这促使我们开发方法来获得一组接近最佳的个体化治疗建议,称为替代个体化治疗建议(A-ITR)。我们提出了两种方法来估计最佳的A-ITR内的结果加权学习(OWL)的框架。我们证明了这些方法的一致性,并得到了理论上的最优推荐和估计之间的风险的上界。我们还进行了模拟研究,并将我们的方法应用于2型糖尿病患者注射降糖治疗的真实数据集。这些数值研究表明了拟议的A-ITR框架的有用性。我们开发了一个R包aitr,可以在https://github.com/menghaomiao/aitr上找到。
2020-04-06 cs.LG stat.ML
Deep Optimal Individualized Treatment Rules for Bivariate Survival Outcomes via Adaptive Prediction-Powered Learning
Department of Biostatistics, City University of Hong Kong(香港城市大学生物统计学系);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
针对随机试验中的双变量生存结局,提出一种基于深度神经网络的自适应预测驱动方法,通过随机策略建模治疗规则并耦合边际加速失效时间模型,以最大化联合生存概率。
2026-05-28 cs.LG stat.ML
Variational Temporal Deconfounder for Individualized Treatment Effect Estimation from Longitudinal Observational Data
University of Florida(佛罗里达大学)
由于混杂偏倚的复杂情况,使用观察性数据估计处理效应,特别是个体化处理效应(ITE)具有挑战性。现有的从纵向观察数据估计处理效应的方法通常是建立在“不混淆”的强假设之上的,这在现实世界的实践中很难实现。在本文中,我们提出了变分时间解码器(VTD),这是一种使用代理(即,用于不可观察变量的替代变量)。具体来说,VTD利用观察到的代理来学习隐藏的嵌入,以反映观察数据中真正的隐藏混杂因素。因此,我们的VTD方法不依赖于“不混淆”的假设。我们在合成和真实世界的临床数据上测试了我们的VTD方法,结果表明,与其他现有模型相比,当隐藏混杂是主要偏倚时,我们的方法是有效的。
2022-07-23 cs.LG stat.ML
Adaptive Hyper-box Matching for Interpretable Individualized Treatment Effect Estimation
Duke University(杜克大学)
我们提出了一种匹配方法的观测数据,匹配单位与其他单位特定的,超盒形区域的协变量空间。这些区域足够大,使得为每个单元创建许多匹配,并且足够小,使得处理效应在整个过程中大致恒定。该区域被发现作为混合整数规划的解决方案,或使用(快速)近似算法。结果是对每个单元的因果效应的可解释和定制的估计。
2020-08-08 cs.LG stat.ME
Ensemble Method for Estimating Individualized Treatment Effects
Stanford University(斯坦福大学)
在许多医疗和商业应用中,研究人员对使用来自随机实验的数据来估计个体化处理效应感兴趣。例如,在医疗应用中,医生从临床试验中了解处理效应,在技术公司中,研究人员从A/B测试实验中了解它们。尽管已经提出了数十种机器学习模型来完成这项任务,但确定哪种模型最适合手头的问题是具有挑战性的,因为地面实况处理效应是不可观察的。与最近几篇提出选择这些竞争模型之一的方法的论文相反,我们提出了一种算法,用于从不同的模型库中聚合估计值。我们在43个基准数据集上比较了集成和模型选择,发现集成几乎每次都赢。从理论上讲,我们证明了我们的合奏模型是(渐近)至少作为考虑中的最佳模型的准确性,即使候选模型的数量允许增长的样本量。
2022-02-28 cs.LG stat.ME
Boosting Algorithms for Estimating Optimal Individualized Treatment Rules
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Eli Lilly and Company(礼来公司);Columbia University(哥伦比亚大学)
我们提出了非参数算法估计最佳的个性化治疗规则。所提出的算法是基于XGBoost算法,这是已知的机器学习文献中最强大的算法之一。我们的主要思想是通过加性回归树对临床结果的条件均值或决策规则进行建模,并使用boosting技术迭代地估计每棵树。我们的方法克服了正确的模型规格,这是在当前的参数化方法所需的挑战。我们提出的算法的主要贡献是提供了高效和准确的估计高度非线性和复杂的最佳个性化治疗规则,经常出现在实践中。最后,我们通过广泛的模拟研究说明了我们的算法的优越性能,并得出结论,应用于糖尿病III期临床试验的真实数据。
2020-01-31 cs.LG stat.AP stat.ML
Neural Supervised Clustering for Learning Individualized Treatment Rules with Many Treatments
University of Michigan(密歇根大学);Yale University(耶鲁大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
该研究针对多处理下ITR学习的非线性异质性问题,提出NSCF框架,通过神经Q学习与监督聚类融合提升性能,在模拟和黑色素瘤异种移植应用中均取得优于神经参考的结果。
2026-10-15 cs.LG stat.ME stat.ML
A Bayesian Nonparametric Approach for Estimating Individualized Treatment-Response Curves
Johns Hopkins University(约翰霍普金斯大学)
我们研究的问题,估计随着时间的推移,使用观测时间序列的干预措施的连续反应-一个回顾性的数据集,其中的政策,数据生成是未知的学习者。我们的动机是响应因个人而异的应用程序,因此,在个人层面上估计响应对于个性化决策是有价值的。我们称之为估计个体化治疗反应(ITR)曲线的问题。在统计学中,G计算公式(Robins,1986)通常用于根据包含序贯治疗分配的观察数据估计治疗应答。然而,过去的研究主要集中在获得人口一级的时间点估计数。我们利用G-计算公式,并开发了一种新的贝叶斯非参数(BNP)方法,可以灵活地模拟功能数据,并提供后验推理的治疗反应曲线在个人和群体水平。在一个包含住院患者时间序列的具有挑战性的数据集上,我们估计了对用于管理肾功能的治疗的反应,并表明所得到的拟合比其他方法更准确。从观察数据中获得ITR的准确方法可以大大加快个性化治疗计划的步伐。
2016-12-10 cs.LG stat.ML
Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments
Columbia University(哥伦比亚大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
对于精神障碍,患者的潜在精神状态是未观察到的潜在结构,其必须从观察到的多域测量(例如诊断症状和患者功能评分)推断。此外,需要解决患者之间疾病诊断的实质性异质性,以优化个体化治疗策略,从而实现精准医疗。为了应对这些挑战,我们提出了一个集成的学习框架,可以同时学习患者的潜在精神状态,并为每个人推荐最佳治疗方法。这种学习框架是基于精神病学的测量理论,用于将多种疾病诊断措施建模为由潜在原因(真实精神状态)引起的。它允许将多变量的治疗前和治疗后的结果以及生物学措施,同时保留不变的结构,代表患者的潜在的精神状态。使用多层神经网络以允许复杂的治疗效果异质性。通过比较患者在不同治疗下的潜在心理状态,可以推断出未来患者的最佳治疗策略。模拟数据和真实世界的临床试验数据的实验表明,学习的治疗策略相比,有利的异质性治疗效果的替代方法,并具有广泛的实用程序,导致更好的患者在多个领域的结果。
2020-10-30 cs.LG stat.ML
Online Individualized Treatment Selection under Partial Feedback: False Discovery Control and Minimax Optimality
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics, University of Michigan(密歇根大学统计系)
本研究针对部分反馈下的在线个体化治疗选择问题,提出PAITS方法,实现错误发现率控制与极小极大最优性,经模拟和Jester数据集验证其有限样本性能。
2026-10-14 cs.LG stat.ME stat.ML
Proximal Learning for Individualized Treatment Regimes Under Unmeasured Confounding
The George Washington University(乔治华盛顿大学);University of California, Irvine(加州大学欧文分校)
数据驱动的个性化决策最近受到越来越多的研究兴趣。大多数现有的方法依赖于没有不可测量的混杂的假设,不幸的是,这在实践中,特别是在观察性研究中无法确保。最近提出的近端因果推断的动机,我们开发了几种近端学习方法来估计最佳的个性化治疗方案(ITR)的存在下不可测量的混杂。特别是,我们建立了几个识别结果为不同类别的ITR,表现出的风险之间的权衡作出不可检验的假设和价值函数的决策改进。基于这些结果,我们提出了几种基于分类的方法来寻找各种限制类内最优ITR,并开发其理论特性。我们提出的方法的吸引人的数值性能证明通过广泛的模拟研究和一个真实的数据应用。
2022-12-23 cs.LG stat.ME stat.ML
Learning Individualized Treatment Rules with Estimated Translated Inverse Propensity Score
Siemens AG(西门子股份公司);LMU Munich(慕尼黑大学);ETH Zurich(苏黎世联邦理工学院)
随机对照试验通常分析治疗的有效性,目的是为患者亚组提供治疗建议。随着电子健康记录的发展,在临床实践中收集了各种各样的数据,从而能够根据观察数据评估治疗和治疗策略。在本文中,我们专注于学习个性化治疗规则(ITR),以获得一个治疗策略,预计将产生一个更好的结果为个别患者。在我们的框架中,我们将ITRs学习作为一个上下文强盗问题,并最大限度地减少治疗策略的预期风险。我们在模拟研究和现实世界的数据集的基础上进行实验与建议的框架。在后一种情况下,我们应用我们提出的方法来学习静脉(IV)液体和血管加压药(VP)给药的最佳ITR。基于各种离线评估方法,我们可以证明,与医生和其他基线(包括简单的治疗预测方法)相比,在我们的框架中导出的策略表现出更好的性能。作为一个长期的目标,我们的衍生政策可能最终导致更好的临床指南,为管理IV和VP。
2020-07-02 cs.LG stat.ML
Learning Optimal Distributionally Robust Individualized Treatment Rules
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);George Washington University(乔治华盛顿大学)
数据驱动决策科学的最新发展在个性化决策方面取得了巨大进步。给定具有个体协变量、治疗分配和结果的数据,决策者最好制定个体化治疗规则(ITR),使预期结果最大化,称为价值函数。许多现有的方法假设训练分布和测试分布是相同的。然而,当训练分布和测试分布不相同时,估计的最优ITR可能具有较差的推广性。在本文中,我们考虑从受限ITR类中找到最佳ITR的问题,其中训练分布和测试分布之间存在一些未知的协变量变化。我们提出了一种新的分布鲁棒ITR(DR-ITR)框架,最大限度地提高了最坏情况下的价值函数的值下的一组基本分布是“接近”的训练分布。由此产生的DR-ITR可以保证所有这些分布之间的性能相当不错。我们还提出了一个校准程序,调整DR-ITR自适应少量的校准数据从目标人群。通过这种方式,校准的DR-ITR可以被证明比标准ITR享有更好的推广性,基于我们的数值研究。
2020-06-26 cs.LG stat.ML
Dynamic Inter-treatment Information Sharing for Individualized Treatment Effects Estimation
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所);Oxford-Suzhou Institute of Advanced Research (OSCAR)(牛津-苏州高等研究院)
针对观察性数据中个体化处理效应估计因数据划分导致可靠性下降的问题,提出基于软权重共享的深度学习框架HyperITE,实现处理组间动态端到端信息共享,有效提升估计精度,尤其适用于小数据集。
2024-02-13 cs.LG stat.ME
Learning Optimal Distributionally Robust Individualized Treatment Rules Integrating Multi-Source Data
Department of Applied Mathematics, The Hong Kong Polytechnic University(应用数学系,香港理工大学);Department of Biostatistics, City University of Hong Kong(生物统计学系,香港城市大学)
本文提出了一种基于多源数据的分布鲁棒个性化治疗规则学习方法,通过构建协变量依赖的不确定性集,解决了后移现象带来的鲁棒性问题,并通过实验验证了其优越性能。
2026-03-05 cs.LG stat.ML
Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
University of California, Riverside(加州大学河滨分校);University of Central Florida(中佛罗里达大学)
针对最优治疗方案中二元风险因素的遗漏混杂问题,提出基于仿真的敏感性分析方法和正式边界策略,以量化未测量混杂因素强度并校正个体化效应估计偏差。
2025-09-12 cs.LG stat.ME stat.ML
Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
本文提出了一种降维的基于结果加权学习的方法,用于在观察性研究中更准确地估计个体化治疗方案,通过降低协变量维度以提高模型性能和可解释性。
2026-01-11 cs.LG stat.ME stat.ML
Learning Overlapping Representations for the Estimation of Individualized Treatment Effects
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦图灵研究所);UCLA(加利福尼亚大学洛杉矶分校)
选择采取何种干预措施,取决于与其他替代办法相比,干预措施的潜在益处或危害。从观测数据中估计替代品的可能结果是一个具有挑战性的问题,因为所有结果都无法观察到,选择偏差排除了不同干预组的直接比较。尽管他们的经验的成功,我们表明,学习域不变表示的输入(上作出预测)的算法往往是不适当的,并开发泛化界,证明依赖域重叠和突出可逆的潜在地图的需要。基于这些结果,我们开发了一种深度核回归算法和后验正则化框架,在各种基准数据集上的性能都大大优于最先进的算法。
2020-02-17 cs.LG stat.ML
Transfer Learning for Classification under Decision Rule Drift with Application to Optimal Individualized Treatment Rule Estimation
Department of Statistics and Data Science, Cornell University(统计与数据科学系,康奈尔大学)
本文提出面向决策规则漂移的迁移学习分类方法,利用 Bayes 决策边界几何变换将后验漂移建模转化为低维经验风险最小化,证明一致性与风险界,并在个体化治疗规则、模拟及真实数据中验证其优势。
2025-08-28 cs.LG math.ST stat.ME
Meta-analysis of individualized treatment rules via sign-coherency
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);University of Minnesota(明尼苏达大学)
根据患者的基线特征量身定制的医学治疗具有改善患者结果的潜力,同时减少负面副作用。学习个体化治疗规则(ITR)通常需要聚合多个数据集(站点);然而,当前的ITR方法没有考虑站点间的异质性,这可能会在部署回每个站点时损害模型的泛化能力。为了解决这个问题,我们开发了一种方法,用于ITRs的个人层面的元分析,该方法通过科学动机的方向性原则,在借用有关特征符号一致性的信息的同时,共同学习特定于站点的ITRs。我们还开发了一个自适应的模型调整程序,使用信息标准量身定制的ITR学习问题。我们研究所提出的方法,通过数值实验,以了解他们的性能在不同水平的站点间的异质性,并应用该方法来估计ITR在一个大型的多中心数据库的电子健康记录。这项工作扩展了几种流行的方法来估计ITR(A-学习,加权学习)的多站点设置。
2022-11-28 cs.LG stat.ME stat.ML
Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
Department of Biostatistics, Columbia Mailman School of Public Health(哥伦比亚大学梅尔曼公共卫生学院生物统计系);Department of Biostatistics, Peking University Health Science Center(北京大学医学部生物统计系);Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心)
本文提出DRIFT框架,通过潜在因子表示和对抗学习,从高维数据中稳健估计个性化治疗效应,提升对未测量但临床相关领域的泛化能力。
2026-03-28 cs.LG stat.ME
Estimating Individualized Treatment Regimes from Crossover Designs
University of North Carolina(北卡罗来纳大学);University of Southern California(南加利福尼亚大学);University of Texas at Austin(得克萨斯大学奥斯汀分校)
精准医学领域的目标是以可重复的方式根据患者特定因素定制治疗。为此,估计最佳的个性化治疗方案(ITR),建议治疗决定的基础上,患者的特点,以最大限度地提高一个预先指定的结果的平均值是特别感兴趣的。已经提出了几种方法,用于根据平行组设置中的临床试验数据估计最佳ITR,其中每例受试者被随机分配至单一干预。然而,在交叉研究设计中估计最佳ITR方面的工作很少。这样的设计自然有助于精准医疗,因为它们允许观察每个患者对多种治疗的反应。在本文中,我们介绍了一种方法来估计最佳ITR使用的数据从2x2交叉研究有或没有结转效应。所提出的方法类似于策略搜索方法,如结果加权学习;然而,我们利用交叉设计,通过使用每个处理下的响应差异作为观察到的奖励。我们建立Fisher和全球的一致性,目前的数值实验,并分析数据的喂养试验,以证明所提出的方法相比,标准方法的并行研究设计的改进性能。
2019-02-05 cs.LG stat.AP stat.ME
Jump Interval-Learning for Individualized Decision Making
University of California Irvine(加州大学欧文分校);London School of Economics and Political Science(伦敦政治经济学院);North Carolina State University(北卡罗来纳州立大学)
个体化决策规则(Individualized Decision Rule,IDR)是一种决策函数,根据观察到的特征为每个个体分配给定的治疗。文献中的大多数现有作品都考虑了二元或多元治疗方案的设置。在本文中,我们专注于连续治疗设置,并提出了一个跳跃间隔学习开发一个个性化的区间值决策规则(I2 DR),最大限度地提高预期的结果。与推荐单一治疗的IDR不同,拟议的I2 DR为每个人提供了一个治疗选择的间隔,使其在实践中更灵活。为了获得最佳I2 DR,我们的跳跃间隔学习方法通过跳跃惩罚回归估计给定治疗和协变量的结果的条件平均值,并基于估计的结果回归函数获得相应的最佳I2 DR。允许回归变量为线性以进行清晰解释,或为深度神经网络以模拟复杂的治疗-协变量相互作用。为了实现跳跃区间学习,我们开发了一种基于动态规划的搜索算法,有效地计算结果回归函数。当结果回归函数是治疗空间上的分段或连续函数时,建立所得I2 DR的统计特性。我们进一步开发了一个程序来推断(估计)最优策略下的平均结果。广泛的模拟和实际数据应用华法林的研究进行了证明建议的I2 DR的经验有效性。
2023-01-29 cs.LG math.ST stat.ME
Optimal Transport Learning: Balancing Value Optimization and Fairness in Individualized Treatment Rules
Department of Applied Mathematics, The Hong Kong Polytechnic University(应用数学系,香港理工大学);Department of Biostatistics, City University of Hong Kong(生物统计学系,香港城市大学);Department of Mathematics and Statistics, Xi’an Jiaotong University(数学与统计学系,西安交通大学)
针对个体化治疗规则受敏感属性影响导致不公平的问题,提出基于最优传输理论的改进型权衡ITR方法,通过平滑约束调参平衡价值与公平,建立价值损失上界,经模拟和真实数据集验证有效。
2025-07-31 cs.LG stat.ML
Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
Harvard University(哈佛大学);Harvard Business School(哈佛商学院)
本文证明 Neyman 的重复抽样框架可用于实验评估现代因果机器学习算法推导的个体化处理规则(ITRs),并展示了如何处理交叉拟合带来的额外不确定性,且该方法对任何 ITR 均适用且有时比事前评估更高效。
2024-04-25 cs.LG stat.ME stat.ML
Robust Sample Weighting to Facilitate Individualized Treatment Rule Learning for a Target Population
University of Wisconsin(威斯康星大学);University of Minnesota(明尼苏达大学)
针对源人群与目标人群存在差异时个体化治疗规则(ITR)泛化面临的函数类错误设定挑战,提出一种基于再生核希尔伯特空间的稳健加权框架以实现协变量平衡,从而有效促进最优ITR的泛化并改善目标人群的估计效果。
2023-06-14 cs.LG stat.ME stat.ML
Estimation of Individualized Decision Rules Based on an Optimized Covariate-Dependent Equivalent of Random Outcomes
The George Washington University(乔治华盛顿大学);University of Southern California(南加利福尼亚大学);University of North Carolina(北卡罗来纳大学)
由于患者对不同治疗的异质性反应,最近对精准医疗中患者的最佳个性化决策规则(IDR)的探索引起了很多关注。在现有的精准医学文献中,最优IDR被定义为从患者的协变量空间映射到治疗空间的决策函数,该决策函数最大化每个个体的预期结果。基于\cite{rockafellar2000optimization}中引入的最优协变量依赖等价(OCE)概念,提出了一种基于决策规则的最优协变量依赖等价(CDE)方法.我们提出的IDR-CDE扩展了精准医学中现有的预期平均结果框架,并丰富了OCE的先前概念。数值实验表明,我们的整体方法优于现有的方法在估计最佳IDR下的厚尾分布的数据。
2019-08-27 cs.LG math.OC stat.ME
Outcome prediction and individualized treatment effect estimation in patients with large vessel occlusion stroke
University and University Hospital Zurich(苏黎世大学及苏黎世大学医院);Zurich University of Applied Sciences(苏黎世应用科学大学);University of Zurich(苏黎世大学)
本研究基于449例LVO卒中患者数据,开发可解释深度学习模型,联合临床变量与NCCT/CTA影像预测功能结局并估计个体化治疗效果,实现先进预测性能,但ITE判别能力仍有限。
2025-07-03 cs.CV cs.LG eess.IV
Rejoinder: Learning Optimal Distributionally Robust Individualized Treatment Rules
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);George Washington University(乔治华盛顿大学)
我们感谢编辑们为这次讨论提供的机会,感谢讨论者提出的富有洞察力的评论和深思熟虑的意见。我们还要祝贺Kallus(2020)在通过重新定位提高政策学习效率方面所做的鼓舞人心的工作。受Dukes和Vansteelandt(2020)讨论的启发,我们首先在第1节中指出我们的工作与Kallus(2020)之间有趣的联系和区别。特别是,这两篇论文考虑的假设和变异来源导致了不同的研究问题,具有不同的范围和重点。在第2节中,继Li et al.(2020); Liang and Zhao(2020)的讨论之后,当我们在训练阶段有一些来自测试分布的数据时,我们还考虑了有效的政策评估问题。我们表明,假设来自训练和测试的样本量以相同的顺序增长,有效的值函数估计可以提供有竞争力的性能。我们进一步显示这些估计与现有文献的一些连接。然而,当可用于训练的测试样本量的增长处于较慢的顺序时,有效的值函数估计可能不再表现良好。相比之下,DRITR对测试样本量的要求不如使用组合数据进行有效政策评估的要求那么强烈。最后,我们在第3节中强调了DRITR的普遍适用性和有用性。
2021-10-17 cs.LG stat.ML
Exploiting Prior Knowledge in Preferential Learning of Individualized Autonomous Vehicle Driving Styles
Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt(控制与物理信息系统实验室,德累斯顿技术大学)
针对自动驾驶个性化驾驶风格学习,提出将先验知识融入偏好贝叶斯优化,利用真实驾驶数据构建虚拟决策者引导采样,实现更快收敛并减少不适当风格。
2025-03-19 cs.LG cs.SY eess.SY
Individualized Policy Evaluation and Learning under Clustered Network Interference
Harvard University(哈佛大学)
针对忽略网络干扰导致策略评估有偏的问题,提出一种基于半参数加性结构模型的方法,用于聚类网络干扰下的个体化处理规则评估与学习,并开发了高效且双重稳健的估计器以提升学习策略性能。
2025-04-01 cs.LG econ.EM stat.ME
On the Distinction Between "Conditional Average Treatment Effects" (CATE) and "Individual Treatment Effects" (ITE) Under Ignorability Assumptions
RAND Corporation(兰德公司)
近年来,注重估计“个体处理效应“的方法激增。这些方法通常侧重于在可接受性假设下对异质性处理效应的估计。本文希望提请注意这样一个事实,即没有什么必然的“个人”的影响下,可互换性假设和孤立的个人影响可能需要额外的假设。这种个体效应通常被更准确地描述为“条件性平均处理效应“,两者之间的混淆有可能阻碍个性化和个体化效应估计的进展。
2021-08-10 cs.LG stat.ME stat.ML
Learning Triggers for Heterogeneous Treatment Effects
Department of Computer Science, University of Illinois at Chicago(伊利诺伊大学芝加哥分校计算机科学系);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Chicago, IL, USA(芝加哥,伊利诺伊州,美国)
治疗的因果效应可能因人而异,取决于他们的个人特征和倾向。挖掘个体水平效果差异的模式,这是一个被称为异质性治疗效果估计的问题,有许多重要的应用,从精准医疗到推荐系统。在本文中,我们定义并研究了这个问题的一个变体,其中需要达到治疗中的个人水平阈值,以触发效果。我们工作的主要贡献之一是,我们不仅可以估计固定治疗的异质性治疗效果,而且还可以规定个性化治疗。我们提出了一种基于树的学习方法来发现治疗效果的异质性。我们在多个数据集上的实验结果表明,我们的方法可以比现有的方法更好地学习触发器。
2019-05-10 cs.LG stat.ML
High dimensional precision medicine from patient-derived xenografts
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);North Carolina State University(北卡罗来纳州立大学)
人类癌症的复杂性通常导致对治疗的反应具有显著的异质性。精准医疗通过利用这种异质性提供了改善患者预后的潜力。个体化治疗规则(ITR)将精准医疗形式化为从患者协变量空间到允许治疗空间的映射。最佳ITR是使感兴趣的人群中的临床结果的平均值最大化的ITR。患者来源的异种移植物(PDX)研究允许在单个肿瘤内评价多种治疗,因此非常适合估计最佳ITR。PDX数据的特点是相关的结果,高维特征空间和大量的治疗。用于估计最佳ITR的现有方法没有利用PDX数据的独特结构或很好地处理相关联的挑战。在本文中,我们探讨了机器学习方法估计最佳ITR的PDX数据。我们分析了一项大型PDX研究的数据,以确定为多种癌症制定个性化治疗建议提供信息的生物标志物。我们使用基于回归的方法(如Q学习)和直接搜索方法(如结果加权学习)来估计最佳ITR。最后,我们实现了一个超级学习者的方法来结合一组估计的ITR,并表明所得到的ITR比任何输入的ITR表现更好,减轻任何特定的ITR估计方法的用户选择的不确定性。我们的研究结果表明,PDX数据是制定肿瘤学个体化治疗策略的宝贵资源。
2019-12-13 cs.LG q-bio.GN stat.AP
Causal Inference under Data Restrictions
Sun Yat-sen University(中山大学);School of Public Health(公共卫生学院)
本论文的重点是现代因果推断下的不确定性和数据的限制,与应用新辅助临床试验,分布式数据网络,和强大的个性化决策。在第一个项目中,我们提出了一种方法下的主要分层框架,以确定和估计的平均处理效应的二元结果,治疗后的中间响应的反事实状态的条件。在温和的假设下,可以确定感兴趣的处理效应。我们扩展的方法来解决删失的结果数据。所提出的方法应用于新辅助治疗的临床试验,其性能通过模拟研究进行评估。在第二个项目中,我们提出了一个基于树的模型平均方法,以提高估计精度的条件平均处理效应在目标网站,利用来自其他潜在的异质网站的模型,没有他们共享受试者水平的数据。氧疗对医院生存率的因果影响的研究证明了这种方法的性能,并得到了全面模拟的支持。在第三个项目中,我们提出了一个强大的个性化决策学习框架与敏感变量,以改善个人的最坏情况下的结果所造成的敏感变量,在决策时不可用。与大多数现有的工作,使用平均最优目标,我们提出了一个强大的学习框架,找到一个新定义的分位数或下确界最优决策规则。从因果关系的角度来看,我们还概括了(平均)公平的经典概念,为个别科目的条件公平。通过合成实验和三个实际数据的应用证明了所提出的方法的可靠性能。
2023-01-20 cs.LG stat.ME