Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models
McGill University(麦吉尔大学);Microsoft Research(微软研究院);Montreal Neurological Institute(蒙特利尔神经学研究所);MILA (Quebec AI institute)(MILA(魁北克人工智能研究所))
本文提出用贝叶斯深度学习估计多种治疗下事实与反事实结果的后验分布,以量化治疗方案和个体治疗效应的不确定性,并在多发性硬化症MRI数据上验证其与误差的关系及对临床决策的改善作用。
2023-08-10 cs.LG
Predicting Counterfactuals from Large Historical Data and Small Randomized Trials
Hebrew University of Jerusalem(耶路撒冷希伯来大学);Microsoft Research(微软研究院);Tel Aviv University(特拉维夫大学)
当考虑使用一种新的治疗方法时,无论是制药药物还是搜索引擎排名算法,都会出现一个典型的问题,即其性能是否会超过当前治疗方法?回答这个反事实问题的传统方法是通过进行对照随机实验来评估新治疗与传统治疗的效果。虽然这种方法在理论上确保了无偏估计,但它有几个缺点,包括难以找到代表性的实验群体以及运行此类试验的成本。此外,这种试验忽略了大量的控制条件数据,这些数据往往被完全忽略。在本文中,我们提出了一个判别框架,用于估计一个新的治疗的性能给定的控制条件的大数据集和数据从一个小的(可能是不具代表性的)随机试验比较新的和旧的治疗。我们的目标,这需要最少的假设的治疗,模型之间的关系,不同的条件的结果。这使我们不仅可以估计平均效应,还可以为随机样本之外的示例生成单独的预测。我们通过三个方面的实验证明了我们的方法的实用性:搜索引擎操作,糖尿病患者的治疗,和房屋的市场价值估计。我们的研究结果表明,我们的方法可以减少目前进行的随机对照实验的数量和规模,从而节省显着的时间,金钱和精力的从业者的一部分。
2016-10-26 cs.LG
Predicting erectile dysfunction after treatment for localized prostate cancer
Maastricht University Medical Centre+(马斯特里赫特大学医学中心+);Netherlands Cancer Institute(荷兰癌症研究所);Maastro Clinic(马斯特罗诊所);Maastricht University Medical Center+(马斯特里赫特大学医学中心+);Netherlands Comprehensive Cancer Organization(荷兰综合癌症组织);Radboud university medical centre(拉德堡德大学医学中心);Radboud university Medical Center(拉德堡德大学医学中心);Zuyd University of Applied Sciences(南方应用科学大学);Fontys University of Applied Sciences(方提斯应用科学大学)
虽然局限性前列腺癌患者的10年生存率非常好(>98%),但治疗的副作用可能会显着限制生活质量。勃起功能障碍(ED)是与年龄增长以及前列腺癌治疗相关的常见负担。虽然许多研究调查了前列腺癌治疗后影响勃起功能障碍(ED)的因素,但只有有限的研究调查了ED是否可以在治疗开始前预测。肿瘤学中基于机器学习(ML)的预测工具的出现为提高预测准确性和护理质量提供了一种有前途的方法。预测ED可能有助于通过明确某些治疗方法的优点和缺点来帮助共同决策,从而可以为个体患者选择量身定制的治疗。本研究旨在根据患者人口统计学、临床数据和诊断时测量的患者报告结局(PROM)预测诊断后1年和2年的ED。
2021-10-01 cs.AI cs.LG
Predicting effect of novel treatments using molecular pathways and real-world data
QuantumBlack, AI by McKinsey(麦肯锡人工智能量子黑)
本文提出一种基于分子通路和真实世界数据的模块化机器学习方法,用于预测未经测试药物的疗效,并展示了其泛化性能及迭代潜力。
2025-09-08 cs.LG q-bio.QM
Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation
Beihang University(北京航空航天大学);School of Economics and Management, Tsinghua University(清华大学经济管理学院)
本研究针对异质处理效应估计的局部不稳定性,提出CURL方法,通过LLM生成分离的分配与异质性导向表示,在四个基准上提升了10种主学习者的性能。
2026-07-30 cs.LG
Predicting Survival of Tongue Cancer Patients by Machine Learning Models
Loyola University Chicago(芝加哥洛约拉大学)
舌癌是一种常见的口腔恶性肿瘤,起源于口腔和咽喉。在改善其诊断、治疗和管理方面投入了大量努力。手术切除、化疗和放射治疗仍然是舌癌的主要治疗方法。患者的生存期决定了治疗效果。以往的研究基于描述性统计确定了某些生存和风险因素,忽略了临床和人口统计学变量之间复杂的非线性关系。在这项研究中,我们利用五种尖端的机器学习模型和临床数据来预测舌癌患者治疗后的生存率。五折交叉验证,自助分析,和排列特征的重要性,估计和解释模型的性能。我们的方法确定的预后因素与以前的临床研究是一致的。我们的方法是准确的,可解释的,因此可用作舌癌治疗和管理的额外证据。
2022-12-23 cs.LG q-bio.QM
Predicting Weather Uncertainty with Deep Convnets
ETH Zürich(苏黎世联邦理工学院);ECMWF(欧洲中期天气预报中心)
现代天气预报模型使用集合预报系统进行不确定性量化,集合预报系统收集基于多个扰动模拟的非参数统计。为了提供准确的估计,必须运行数十个这样的计算密集型模拟。我们表明,深度神经网络可以用于一小组数值天气模拟,以估计天气预报的传播,显着降低计算成本。为了训练系统,我们修改了3D U-Net架构并探索了包含时态数据的模型。我们的模型是改善当前实时天气预报系统中不确定性量化的起点,这对于预测极端事件至关重要。
2019-12-04 cs.LG physics.ao-ph stat.ML
Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens
CureMD Research(CureMD研究)
本研究利用提升随机森林预测化疗方案治疗失败,通过现实世界证据构建模型,提升模型的准确性和可解释性以辅助肿瘤科医生决策。
2025-12-10 cs.LG q-bio.QM
Robust Reinforcement Learning for Dynamic Treatment Regimes under Model and Measurement Uncertainty
Texas A&M University(德克萨斯农工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究提出鲁棒强化学习框架,将患者建模为隐藏上下文,通过鲁棒上下文马尔可夫决策过程解决泛化与鲁棒性问题,在转移性前列腺癌自适应治疗中得到的策略性能及帕累托优势均优于现有方法。
2026-10-16 cs.LG
Automated Treatment Planning in Radiation Therapy using Generative Adversarial Networks
University of Toronto(多伦多大学);Princess Margaret Cancer Centre(玛格丽特公主癌症中心);York University(约克大学)
基于知识的计划(KBP)是一种放射治疗计划的自动化方法,涉及在将理想的治疗计划校正为可交付计划之前预测理想的治疗计划。我们提出了一种生成对抗网络(GAN)方法,用于预测理想的3D剂量分布,避免了先前的特定于站点的特征工程和预测计划的低维表示的范例。在口咽癌患者数据集上的实验表明,我们的方法在几个临床满意度标准和相似性指标上显着优于以前的方法。
2018-07-17 cs.LG physics.med-ph stat.ML
Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
本文提出了一种新的正交学习者(AU-learner),用于量化治疗效应的偶然不确定性,通过部分可识别性方法获得CDTE的精确界限,并展示了其在Neyman正交性和准Oracle效率方面的优势。
2026-03-12 cs.LG stat.ML
Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning
MIT(麻省理工学院);Harvard(哈佛大学)
本研究用多种可解释机器学习模型预测 BDD 的治疗反应与缓解,发现治疗可信度是最强预测因子,决策树阈值可为个性化干预和资源分配提供临床依据。
2025-03-13 cs.AI cs.LG
Predicting Treatment Initiation from Clinical Time Series Data via Graph-Augmented Time-Sensitive Model
IQVIA Inc.(艾昆纬公司);University of Minnesota Twin Cities(明尼苏达大学双城分校);Georgia Institute of Technology(佐治亚理工学院)
提出了许多计算模型来从每个患者和患者组的临床时间序列中提取时间模式以用于预测性医疗保健。然而,患者之间的共同关系(例如,医生很少考虑。在本文中,我们表示病人和临床医生的关系,例如,从病人得到诊断的二分图解决。然后,我们求解图拉普拉斯算子的顶部特征向量,并将特征向量作为患者-临床医生对之间的相似性的潜在表示包括到时间敏感的预测模型中。我们使用真实世界的数据进行了实验,以预测慢性淋巴细胞白血病(CLL)患者的一线治疗的开始。结果表明,关系相似性可以改善多个基线的预测,例如,在精确-召回曲线下的面积方面,在长短期记忆基线上增加5%。
2019-07-01 cs.LG stat.ML
Bayesian Neural Controlled Differential Equations for Treatment Effect Estimation
Munich Center for Machine Learning(慕尼黑机器学习中心);LMU Munich(慕尼黑大学)
本文提出贝叶斯神经受控微分方程 BNCDE,通过耦合神经受控与随机微分方程实现可处理变分推断,首次在连续时间治疗效应估计中给出潜在结果的后验不确定性估计。
2024-04-03 cs.LG
Causal machine learning for predicting treatment outcomes
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);University of Cambridge(剑桥大学);TU Munich(慕尼黑工业大学);Helmholtz Munich(慕尼黑亥姆霍兹中心);Harvard Medical School(哈佛医学院);Cambridge Centre for AI in Medicine(剑桥人工智能医学中心);The Alan Turing Institute(阿兰·图灵研究所)
本文探讨了因果机器学习在预测治疗结果中的优势与步骤,强调其个体化治疗效果估计能力,并为可靠临床应用提供建议。
2024-10-11 cs.LG stat.AP stat.ML
A language processing algorithm for predicting tactical solutions to an operational planning problem under uncertainty
Université de Montréal(蒙特利尔大学);CIRRELT(企业网络、物流与交通研究中心)
本文研究了一类随机离散优化问题解的预测问题。通过一个应用程序,我们说明了如何使用最先进的神经机器翻译(NMT)算法来预测的解决方案,通过定义适当的词汇,语法和约束。我们参加的应用程序中的预测需要在很短的计算时间计算-在毫秒或less. Results的顺序表明,最小的适应模型架构和超参数调整,NMT算法可以产生准确的解决方案内的计算时间预算。虽然这些预测的准确性略低于近似随机规划解(样本平均近似),但它们可以更快地计算,并且变化性更小。
2019-10-18 cs.LG stat.ML
Predicting treatment effects from observational studies using machine learning methods: A simulation study
University of the Witwatersrand(威特沃特斯兰德大学)
由于混杂偏倚,在观察性研究中测量处理效应具有挑战性。当一个变量同时影响治疗和结果时,就会发生混淆。传统的方法,如倾向得分匹配估计处理效应的条件的混杂因素。最近的文献提出了使用机器学习来预测观察性研究中的反事实的新方法,然后可以估计处理效应。然而,这些研究已应用于真实世界数据,其中真实的处理效应尚不清楚。本研究旨在通过模拟两种主要情景来研究这种反事实预测方法的有效性:有混杂和无混杂。每种类型还包括输入和输出数据之间的线性和非线性关系。模拟中的关键项目是我们生成了已知的真实因果效应。线性回归、套索回归和随机森林模型用于预测反事实和处理效应。将这些与真实处理效应以及初始处理效应进行比较。结果表明,这种机器学习方法是否表现良好的最重要因素是数据的非线性程度。令人惊讶的是,对于两种非混杂\textit{and}混杂,机器学习模型在线性数据集上都表现良好。然而,当引入非线性时,模型表现得非常差。因此,在该模拟研究的条件下,机器学习方法在线性条件下表现良好,即使存在混淆,但在该阶段,当引入非线性时,不应信任该方法。
2021-12-20 cs.LG stat.ME stat.ML
Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation
University of New South Wales(新南威尔士大学);Concord Repatriation General Hospital(康科德遣返综合医院);University of Sydney(悉尼大学)
本研究利用澳大利亚新南威尔士州3285名AF导管消融患者的关联数据,开发了传统和深度生存模型预测不良结局。结果显示复合结局预测模型表现出色(一致性指数>0.79),而主要出血事件预测效果不佳,有助于临床识别高危患者。
2023-06-05 cs.LG q-bio.QM stat.OT
Neuroevolutionary Feature Representations for Causal Inference
University of Cambridge(剑桥大学);UCLA(加州大学洛杉矶分校)
在因果推断领域内,我们考虑从数据中估计异质处理效应的问题。我们提出并验证了一种新的方法来学习特征表示,以帮助估计的条件平均处理效应或CATE。我们的方法集中在一个经过训练的神经网络中的中间层,以预测来自特征的结果。与以前的方法,鼓励分布的代表是治疗不变的,我们利用遗传算法,优化了代表有用的预测结果,选择那些不太有用的预测治疗。这使我们能够保留对预测结果有用的特征内的信息,即使该信息可能与治疗分配有关。我们验证我们的方法合成的例子,并说明其在现实生活中的数据集上的使用。
2022-05-21 cs.LG stat.ML
Toward Fairness in Machine Learning Models for Predicting Treatment Retention and Premature Discontinuation in Medication for Opioid Use Disorder
Gary W. Rollins College of Business, The University of Tennessee at Chattanooga(田纳西大学查塔努加分校加里·W·罗林斯商学院);The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心);Texas A&M University(德克萨斯A&M大学)
本研究系统评估MOUD治疗保留与提前终止预测机器学习模型的算法公平性,发现亚组性能差距存在且偏差缓解可减少但无法完全消除,为负责任应用提供实践见解。
2026-09-22 cs.CY cs.LG
Offline reinforcement learning with uncertainty for treatment strategies in sepsis
The Johns Hopkins University(约翰斯·霍普金斯大学)
基于指南的脓毒症和脓毒性休克的治疗是困难的,因为脓毒症是一种不同范围的危及生命的器官功能障碍,其病理生理学尚未完全了解。脓毒症的早期干预对患者的预后至关重要,但这些干预措施具有不良反应,并且经常过度使用。更大的个性化是必要的,因为没有一个单一的行动是适合所有患者。我们提出了一种新的强化学习应用,其中我们从数据中识别脓毒症治疗的最佳建议,估计其置信水平,并识别在训练数据中很少观察到的治疗方案。而不是一个单一的建议,我们的方法可以提出几种治疗方案。我们研究了学习的政策,发现强化学习对积极干预有偏见,因为死亡率和接受的治疗水平之间存在混杂关系。我们使用子空间学习来减轻这种偏见,并开发出可以在医疗保健应用中产生更准确的学习策略的方法。
2021-09-22 cs.AI cs.LG
Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System
Jheronimus Academy of Data Science, Eindhoven University of Technology, Eindhoven, The Netherlands(杰罗尼穆斯数据科学学院,埃因霍温理工大学,埃因霍温,荷兰);Haskoning, Amersfoort, The Netherlands(哈索宁,阿默斯福尔特,荷兰);School of Industrial Engineering, Eindhoven University of Technology(工业工程学院,埃因霍温理工大学)
本文提出一种区间型2神经模糊系统,用于废水处理能耗预测,通过模糊规则结构生成可解释的预测区间,分解不确定性层级,提升决策可靠性。
2026-01-26 cs.AI cs.LG
SMOTE-VAR: An Uncertainty-Aware Oversampling Method for Predicting Depression Remission in University Students
Deakin University(迪肯大学);Black Dog Institute(黑狗研究所);University of New South Wales(新南威尔士大学)
针对大学生抑郁预测中ML模型的类别不平衡问题,本文提出SMOTE-VAR过采样方法,通过高斯过程方差函数估计样本不确定性减少假阳性,在抑郁数据集上表现优于现有方法,助力优化精神健康护理。
2026-09-01 cs.LG
Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
Johns Hopkins University(约翰斯·霍普金斯大学);Institute of High Performance Computing, Agency for Science, Technology and Research(高性能计算研究所,科技研究局);Xi’an Jiaotong University(西安交通大学);City University of Hong Kong(香港城市大学)
本研究提出基于混合密度网络的不确定性感知机器学习框架,利用文献实验数据预测FCC合金晶粒级位错密度与应力分布,结合位错介导塑性模型实现带不确定性量化的应力-应变预测,提升力学性能预测准确性并助力合金设计。
2025-06-25 cond-mat.mtrl-sci cs.LG
Improving confidence while predicting trends in temporal disease networks
Center for Data Anaytics and Biomedical Informatics, Temple University(天普大学数据分析与生物医学信息学中心)
对于高度敏感的现实世界预测分析应用,如医疗保健和医学,仅具有良好的预测准确性通常是不够的。这些类型的应用程序需要一个决策过程,使用不确定性估计作为输入,只要有可能。不确定性估计的质量是过度或不足置信预测的主题,这在许多模型中通常没有解决。在本文中,我们展示了高斯条件随机场模型的几个扩展,其目的是提供更高质量的不确定性估计。这些扩展应用于从HCUP获得的加利福尼亚州住院患者数据库(SID)构建的颞疾病图。我们的实验证明了使用图形信息建模的时间疾病属性以及改进的不确定性估计所提供的高斯条件随机场方法的扩展的好处。
2018-03-28 cs.LG stat.ML
Distribution-Free Uncertainty Quantification in Mechanical Ventilation Treatment: A Conformal Deep Q-Learning Framework
Michigan State University(密歇根州立大学);New York University(纽约大学)
本研究提出ConformalDQN,一种结合共形预测与深度Q学习的无分布框架,用于优化ICU机械通气,通过不确定性量化避免有害动作,在MIMIC-IV数据上提升90天生存率并优于基线方法。
2024-12-17 cs.LG
Unifying Cardiovascular Modelling with Deep Reinforcement Learning for Uncertainty Aware Control of Sepsis Treatment
University of Pittsburgh(匹兹堡大学);University of Pittsburgh School of Medicine(匹兹堡大学医学院);Carnegie Mellon University(卡内基梅隆大学);McGowan Institute for Regenerative Medicine(麦高恩再生医学研究所)
脓毒症是对感染或严重组织损伤的潜在威胁生命的炎症反应。它具有高度可变的临床过程,需要持续监测患者的状态,以指导静脉输液和血管加压药的管理以及其他干预措施。尽管经过几十年的研究,专家们仍然对最佳治疗方法存在争议。在这里,我们首次将分布式深度强化学习与机械生理模型相结合,以找到个性化的脓毒症治疗策略。我们的方法通过利用已知的心血管生理学来处理部分可观测性,引入了一种新的生理学驱动的递归自动编码器,并量化了其自身结果的不确定性。此外,我们引入了一个框架,不确定性意识的决策支持与人类在循环中。我们表明,我们的方法学习生理上可解释的,强大的政策,与临床知识是一致的。此外,我们的方法一致地识别导致死亡的高风险状态,这可能从更频繁的血管加压药给药中受益,为未来的研究提供有价值的指导
2021-06-12 cs.AI cs.LG q-bio.QM
Classifying Treatment Responders Under Causal Effect Monotonicity
Cornell University(康奈尔大学)
在个体水平的因果推断的背景下,我们研究了预测某人是否会根据他们的特征和过去的特征、治疗指标(例如,药物/无药物),和二元结果(例如,从疾病中恢复)。作为一个分类任务,这个问题是困难的,不知道相反的治疗指标下的例子结果。我们假设这种影响是单调的,就像广告对购买的影响或保释金对出庭的影响一样:要么它会发生而不管治疗,要么它不会发生而不管治疗,要么它只会发生而取决于接受治疗的程度。预测后者是否是潜在的情况是我们的重点。虽然以前的工作集中在有条件的平均处理效应估计,制定一个分类任务,而不是一个估计任务的问题,使我们能够开发新的工具更适合这个问题。通过利用单调性,我们开发了新的判别和生成算法的响应者分类问题。我们探索和讨论连接到损坏的数据和政策学习。我们提供了一个实证研究与合成和真实的数据集比较这些专门的算法标准的基准。
2019-06-03 cs.LG stat.ML
Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification
Sejong University(世宗大学);University of Cambridge(剑桥大学);UCLA(加州大学洛杉矶分校);University of Virginia(弗吉尼亚大学);Yonsei University(延世大学);The Alan Turing Institute(艾伦·图灵研究所)
处理效应的亚组分析在从医学到公共政策到推荐系统的应用中起着重要作用。它允许医生(例如)识别给定药物或治疗可能有效的患者组和无效的患者组。大多数当前的亚组分析方法开始于用于估计个体化处理效应(ITE)的特定算法,并通过最大化每个亚组中的平均处理效应的亚组间差异来识别亚组。这些方法有几个缺点:它们依赖于一个特定的算法来估计ITE,它们忽略了已确定的子组内的同质性,并且它们不能产生良好的置信度估计。本文提出了一种新的子群分析方法,R2P,解决了所有这些弱点。R2P使用一种任意的、外部规定的算法来估计ITE,并使用一种比其他方法更鲁棒的构造来量化ITE估计的不确定性。使用合成和半合成数据集(基于真实数据)的实验表明,R2P构造的分区在组内更均匀,在组间更异质,而不是其他方法产生的分区。此外,由于R2P可以使用任何ITE估计器,它也产生了比其他方法更窄的置信区间,具有规定的覆盖保证。
2020-10-18 cs.LG stat.ML
Predicting Individual Treatment Effects of Large-scale Team Competitions in a Ride-sharing Economy
University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of Maryland, College Park(马里兰大学帕克分校);AI Labs at Didi Chuxing(滴滴出行人工智能实验室)
全球数百万司机通过共享经济享受到了经济利益和工作时间表的灵活性,但与此同时,他们却缺乏认同感和职业成就感。配备了社会认同和竞赛理论,经济激励的团队竞赛一直是提高司机生产力,工作满意度和保留率的有效工具,并提高了乘车共享平台的收入超过成本。虽然这些比赛总体上是有效的,但治疗效果背后的决定性因素以及它们如何影响单个车手的结果在很大程度上是神秘的。在这项研究中,我们分析了一家领先的拼车平台组织的500多场大型团队比赛的数据,建立了机器学习模型来预测个体治疗效果。通过对特征和预测因子的仔细研究,我们能够将样本外预测误差减少24%以上。通过解释表现最佳的模型,我们发现了许多关于如何优化拼车平台上团队竞赛的设计和执行的新颖且可操作的见解。模拟分析表明,通过简单地改变一些比赛设计选项,实际比赛的平均治疗效果预计将提高26%。我们的程序和研究结果揭示了如何分析和优化大规模在线现场实验一般。
2020-08-07 cs.CY cs.LG cs.SI
Classifier uncertainty: evidence, potential impact, and probabilistic treatment
Universität Duisburg-Essen(杜伊斯堡-埃森大学)
分类器通常在相对较小的数据集上进行测试,这会导致不确定的性能指标。然而,这些指标通常是按面值计算的。我们提出了一种方法来量化分类性能指标的不确定性,基于混淆矩阵的概率模型。我们的方法从科学文献和分类竞争的分类器的应用表明,不确定性可以令人惊讶的大,限制性能评估。事实上,一些已公布的分类器可能会产生误导。我们的方法的应用是简单的,只需要混淆矩阵。它与底层分类器无关。我们的方法也可以用于估计样本量,达到所需的精度的性能指标。
2020-06-19 cs.LG stat.ML
Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
估计治疗如何影响个体,称为异质性治疗效果(HTE)估计,是决策和政策实施的重要组成部分。在许多领域(如医疗保健和电子商务)中积累了大量数据,这使得人们越来越有兴趣开发数据驱动的算法,用于从观察和实验数据中估计异质效应。然而,这些方法通常对观察到的特征做出强有力的假设,而忽略了潜在的因果模型结构,这可能导致有偏的HTE估计。与此同时,考虑真实世界数据的因果结构很少是微不足道的,因为产生数据的因果机制通常是未知的。为了解决这个问题,我们开发了一种特征选择方法,该方法考虑每个特征的HTE估计值,并从数据中学习因果结构的相关部分。我们提供了强有力的经验证据表明,我们的方法改进了现有的数据驱动的HTE估计方法下任意潜在的因果结构。我们在合成、半合成和真实世界数据集上的结果表明,我们的特征选择算法导致较低的HTE估计误差。
2022-06-25 cs.LG stat.ME
Predicting the Position Uncertainty at the Time of Closest Approach with Diffusion Models
Neuraspace;FCT-UNL(新里斯本大学科学与技术学院)
本文提出基于扩散模型的机器学习方法,提前预测交会物体在TCA的位置不确定性,尤其针对碎片,以提高碰撞规避决策的安全性和有效性。
2023-11-15 cs.LG cs.RO
Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images
Massachusetts Institute of Tech.(麻省理工学院);University of California(加利福尼亚大学)
本研究提出用带不确定性量化的深度学习分割前列腺癌活检图像,并利用临床子区域不确定性构建线性模型预测Dice分数,实现更全面的分割性能评估。
2024-12-27 cs.CV cs.LG eess.IV
Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials
Department of Mathematics, The University of Manchester;Janssen Research;Pfizer Worldwide Research \& Development;Department of Statistics, The Ohio State University
该研究提出ETZ统计建模原理,在带治疗前后重复测量的随机对照试验中实现了反事实不确定性量化,其变异性低于事实UQ,同时警示带测量误差的预测变量会引发亚组效应估计的衰减偏差。
2025-06-14 cs.LG stat.ML
Combining unsupervised and supervised learning for predicting the final stroke lesion
University of Minho(米尼奥大学);Bern University Hospital(伯尔尼大学医院)
预测最终的缺血性卒中病变提供了关于可挽救的低灌注组织体积的关键信息,这有助于医生在治疗计划和干预的艰难决策过程中。治疗选择受临床诊断的影响,这需要描绘中风病变,以及使用神经影像采集表征脑血流动力学。尽管如此,由于缺血性卒中发生后病变大小、形状、位置和潜在脑血流动力学过程的可变性,预测最终卒中病变是一项复杂的任务。此外,由于中风和治疗之间的经过时间与脑组织的损失有关,因此需要在短时间内评估和预测最终的中风病变,这使得任务更加复杂。因此,需要一种自动方法来预测最终的中风病变并在治疗决策过程中支持医生。我们提出了一种基于无监督和监督学习的全自动深度学习方法,以预测90天后的最终中风病变。我们的目的是预测最终的中风病变部位和程度,考虑到潜在的脑血流动力学,可以影响预测。为了实现这一点,我们提出了一个两个分支的限制玻尔兹曼机,它提供了专门的数据驱动的功能,从不同的标准参数磁共振成像地图集。这些数据驱动的特征图然后与参数磁共振成像图相结合,并馈送到卷积和递归神经网络架构。我们在公开的ISLES 2017测试数据集上评估了我们的提案,Dice得分为0.38,Hausdorff距离为29.21 mm,平均对称表面距离为5.52 mm。
2021-01-02 cs.CV cs.LG eess.IV
Predicting Safety Misbehaviours in Autonomous Driving Systems using Uncertainty Quantification
Technical University of Munich(慕尼黑工业大学);Software Institute - USI Lugano(瑞士意大利语区卢加诺大学软件学院);fortiss GmbH(弗奥蒂斯有限公司)
本文评估了MC-Dropout和Deep Ensembles两种贝叶斯不确定性量化方法在自动驾驶系统安全不当行为前瞻性测试中的有效性与计算开销,其在Udacity模拟器基准中表现优于现有方法,为构建故障安全机制提供可行方案。
2025-02-13 cs.LG cs.RO cs.SE
Benchmarking Machine Learning Uncertainty Quantification Methodologies for Predicting Turbine Gas Temperature Degradation
Computational Science Laboratory(计算科学实验室);Department of Computer Science(计算机科学系);Virginia Tech(弗吉尼亚理工大学)
本文研究了五种预测区间构建方法(Delta法、贝叶斯蒙特卡洛Dropout、Bootstrap法、下上界估计和均值方差估计),在统一实验框架下评估其捕捉涡轮燃气温度神经网络预测不确定性的能力,并基于覆盖概率、归一化平均预测区间宽度和覆盖宽度准则等指标比较了各方法的可靠性、锐度及权衡,为发动机健康管理中的预测区间方法选择和调优提供了实用指南。
2026-05-28 cs.AI cs.CE cs.LG
Stable deep reinforcement learning method by predicting uncertainty in rewards as a subtask
Fujitsu Laboratories LTD.(富士通实验室有限公司);Waseda University(早稻田大学);Artificial Intelligence Research Center(人工智能研究中心)
针对真实传感器奖励噪声导致DRL训练不稳定的问题,本文提出在critic中增加奖励方差预测子任务并将特征图传递给actor,实验表明其可稳定Atari环境下的收敛。
2021-01-18 cs.AI cs.LG
Functional Entropy: Predicting Functional Correctness in LLM-Generated Code with Uncertainty Quantification
CVS Health(CVS健康)
针对LLM生成代码功能不正确的问题,提出基于功能等价性的不确定性量化方法(功能熵),在多个编程语言和模型上优于现有方法。
2026-08-27 cs.AI cs.CL cs.LG
Predicting Treatment Adherence of Tuberculosis Patients at Scale
Wadhwani Institute for Artificial Intelligence (Wadhwani AI)(瓦德瓦尼人工智能研究所(瓦德瓦尼AI));IIT Kanpur(印度理工学院坎普尔分校);Courant Institute of Mathematical Sciences, New York University(纽约大学库朗数学科学研究所);USAID(美国国际开发署);Central TB Division (India)((印度)中央结核病司);World Health Organization(世界卫生组织)
结核病(TB)是一种传染性细菌疾病,是导致死亡的重要原因,特别是在低收入国家,全球$2020$报告的新发病例估计为1000万例。虽然结核病是可以治疗的,但不遵守药物治疗方案是发病率和死亡率的一个重要原因。因此,主动识别有放弃药物治疗风险的患者能够采取纠正措施来减轻不良后果。使用代理措施的极端不遵守和数据集的近$700,000$患者在印度的四个州,我们制定和解决的机器学习(ML)问题的早期预测不遵守基于自定义的排名为基础的指标。我们对ML模型进行训练,并根据基线进行评估,实现了$\sim 100\%$在基于规则的基线上的提升,以及$\sim 214\%$在随机分类器上的提升,同时考虑到全国范围内的大规模未来部署。我们处理的过程中的各种问题,包括数据质量,高基数分类数据,低目标流行率,分布偏移,跨队列的变化,算法公平性,并需要鲁棒性和可解释性。我们的研究结果表明,非依从性患者的风险分层是一种可行的、可大规模部署的ML解决方案。作为印度中央结核病部门的官方人工智能合作伙伴,我们正在进行多个城市和邦级试点,目标是在印度进行部署。
2022-11-15 cs.AI cs.LG
Predicting Surgery Duration with Neural Heteroscedastic Regression
University of California, San Diego(加利福尼亚大学圣地亚哥分校)
由于临床环境的根本不确定性以及与预订不足和超额相关的风险和成本,手术安排是一项具有挑战性的任务。我们研究神经回归算法来估计手术病例持续时间的参数,重点是异方差问题。我们寻求同时估计每个手术的持续时间,以及我们对手术持续时间的不确定性的特定手术概念。估计这种不确定性可以导致更微妙和有效的调度策略,因为我们能够更有效地调度手术,同时允许知情和特定病例的误差幅度。使用手术记录%从加州大学圣地亚哥分校卫生系统,从一个大型的美国卫生系统,我们证明了潜在的改进,在20%的顺序(在分钟超额预订)相比,目前的调度技术。此外,我们证明了手术持续时间确实是异方差的。我们发现,估计特定情况下的不确定性的模型更好地拟合数据(对数似然)。此外,我们表明,异方差预测可以更好地权衡超过和预订分钟,特别是当空闲时间和调度冲突赋予不同的成本。
2017-07-13 cs.LG cs.NE stat.ML
Bayesian neural networks for predicting uncertainty in full-field material response
Johns Hopkins University(约翰斯·霍普金斯大学)
本研究针对计算力学中有限元分析成本高、现有机器学习替代模型缺不确定性估计的问题,提出基于改进贝叶斯U-net的应力场预测框架,对比三种推理算法,验证了高精度及不同推理方法的不确定性估计差异。
2024-06-21 cond-mat.mtrl-sci cs.LG stat.AP
Gaze-Informed Vision Transformers: Predicting Driving Decisions Under Uncertainty
Columbia University(哥伦比亚大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出融合眼动注视信息的 ViT 与 FAX 损失,使模型注意力对齐人类注视,从而提升真实及虚拟现实高不确定性驾驶场景中的左右决策预测性能。
2025-01-09 cs.AI cs.CV cs.LG
Calibrated Uncertainty for Molecular Property Prediction using Ensembles of Message Passing Neural Networks
Technical University of Denmark(丹麦技术大学);Rigshospitalet, Copenhagen University Hospital(哥本哈根大学医院 Rigshospitalet);University of Copenhagen(哥本哈根大学)
基于机器学习的数据驱动方法有可能加速原子结构的计算分析。在这种情况下,可靠的不确定性估计对于评估预测的置信度和决策制定非常重要。然而,机器学习模型可能会产生校准不良的不确定性估计,因此仔细检测和处理不确定性至关重要。在这项工作中,我们扩展了一个消息传递神经网络,专门用于预测分子和材料的性能与校准的概率预测分布。本文提出的方法不同于以往的工作,考虑任意和认知的不确定性在一个统一的框架,并通过重新校准的预测分布看不见的数据。通过计算机实验,我们表明,我们的方法的结果在两个公共的分子基准数据集,QM9和PC9的训练数据分布,以及校准的不确定性,在准确的模型预测分子的形成能。所提出的方法提供了一个一般的框架,用于训练和评估神经网络集成模型,能够产生准确的预测分子的性质,以及校准的不确定性估计。
2021-11-03 cs.LG stat.ML
SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals
HEC, University of Lausanne, Lausanne, Switzerland(洛桑大学HEC学院,洛桑,瑞士);HEC, University of Lausanne, Expertise Center for Climate Extremes (ECCE), Lausanne, Switzerland(洛桑大学HEC学院,洛桑,瑞士)
提出与模型无关的 SEMF,将期望最大化扩展到监督学习以生成预测区间,并在模拟数据与 11 个真实表格数据集上实现更窄区间和稳定覆盖率。
2025-09-28 cs.LG stat.ML
PRESCRIBE: Predicting Single-Cell Responses with Bayesian Estimation
Shanghai Jiao Tong University(上海交通大学);Westlake University(西湖大学);AIMS Lab, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)AIMS实验室);The Hong Kong University of Science and Technology(香港科技大学)
本文提出PRESCRIBE,一种多变量深度证据回归框架,用于同时估计单细胞扰动预测中的认知和偶然不确定性,通过置信度过滤实现超过3%的准确性提升。
2025-10-09 cs.LG q-bio.QM
DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories
本文提出了一种新的数据驱动的电力系统故障后轨迹的可靠预测方法。该方法基于深度运营商网络(DeepONets)的全新概念。与学习近似函数的传统神经网络相比,DeepONets旨在近似非线性算子。在这个运营商框架下,我们设计了一个DeepONet,以(1)将通过模拟或相量测量单元收集的故障轨迹作为输入,以及(2)提供预测的故障后轨迹作为输出。此外,我们赋予我们的方法一个急需的能力,通过不确定性量化平衡效率与可靠/值得信赖的预测。为此,我们提出并比较了两种方法,使量化的预测不确定性。首先,我们提出了一种\textit{Bayesian DeepONet}(B-DeepONet),它使用随机梯度哈密顿蒙特卡罗从DeepONet参数的后验分布中采样。然后,我们提出了一个\textit{Probabilistic DeepONet}(Prob-DeepONet),它使用概率训练策略为DeepONets配备一种自动不确定性量化形式,几乎没有额外的计算成本。最后,我们使用IEEE 16机68总线系统验证了所提出的B-DeepONet和Prob-DeepONet的预测能力和不确定性量化能力。
2022-02-15 cs.LG cs.NA math.NA
Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation
Carnegie Mellon University(卡内基梅隆大学);University of Oxford(牛津大学)
反事实分布模拟了未处理组中的处理效果。虽然大部分的工作集中在预期值的处理效应,人们可能会感兴趣的整个反事实分布或其他数量与之相关的贝叶斯条件均值嵌入的框架的基础上,我们提出了一个贝叶斯方法建模的反事实分布,这导致量化的认知不确定性的分布。该框架自然延伸到观察到多种处理效应(例如,过渡期后的中间效果,以及主要关注的最终处理效应)的设置,并允许对这些效果之间关系的不确定性进行额外建模。为了实现这一目标,我们提出了三种新的贝叶斯方法来估计最终的处理效应的期望,当只提供噪声样本之间的依赖性的中间和最终的效果。这些方法在所考虑的不确定性来源上有所不同,并允许结合两种数据来源。此外,我们将这些想法推广到政策外的评估框架,这可以被视为反事实估计问题的扩展。我们经验性地探讨了在两个不同的实验设置,需要数据融合的算法的校准,并说明了考虑的不确定性所产生的两个来源的数据的价值。
2022-11-02 cs.LG stat.ML
Towards actionable hypotension prediction -- predicting catecholamine therapy initiation in the intensive care unit
University Clinic of Anesthesiology, Intensive Care Medicine, Emergency Medicine, and Pain Therapy(麻醉学、重症医学、急诊医学和疼痛治疗大学诊所);AI4Health Division(AI4Health部门);Carl von Ossietzky Universität(卡尔·冯·奥西特茨基大学)
本研究针对现有低血压预测模型忽略临床决策逻辑的问题,基于MIMIC-III数据库用XGBoost模型预测ICU患者15分钟内儿茶酚胺治疗启动时机,AUROC达0.822,优于传统阈值法,为临床治疗升级决策提供可操作支持。
2025-10-28 cs.LG eess.SP
Predicting small molecules solubilities on endpoint devices using deep ensemble neural networks
University of Rochester(罗切斯特大学)
本文提出一种运行在无服务器静态网站上的深度学习模型,用于预测小分子水溶性,兼顾了预测不确定性量化与易用性,并取得了令人满意的结果。
2024-03-07 cs.LG physics.chem-ph
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
Scalable Sensitivity and Uncertainty Analysis for Causal-Effect Estimates of Continuous-Valued Interventions
University of Oxford(牛津大学);ETH Zurich(苏黎世联邦理工学院);Technion – Israel Institute of Technology(以色列理工学院)
从观测数据中估计连续值干预的影响是气候科学,医疗保健和经济学的一项至关重要的任务。最近的工作重点是设计神经网络架构和正则化函数,以允许从高维,大样本数据的平均和个人水平的剂量-反应曲线的可扩展估计。此类方法假设可验证性(观察所有混杂变量)和阳性(观察描述一组单位的每个协变量值的所有治疗水平),这些假设在连续治疗方案中存在问题。可扩展的敏感性和不确定性分析,以了解无知的因果估计时,这些假设放宽研究较少。在这里,我们开发了一个连续的治疗效果边际敏感性模型(CMSM),并推导出与观察到的数据和研究人员定义的隐藏混杂水平一致的界限。我们引入了一个可扩展的算法和不确定性感知的深度模型来推导和估计高维大样本观测数据的这些界限。我们与气候科学家合作,利用过去15年的卫星观测,对人类排放对云特性的气候影响感兴趣。这个问题被认为是复杂的许多未观察到的混杂因素。
2022-10-12 cs.LG stat.ML
Predicting Critical Biogeochemistry of the Southern Ocean for Climate Monitoring
MIT(麻省理工学院);WHOI(伍兹霍尔海洋研究所)
生物地球化学-Argo(BGC-Argo)计划正在建立一个全球分布的、配备传感器的机器人剖面浮标网络,以提高我们对气候系统及其变化的理解。然而,这些浮动在测量的变量数量上是有限的。在这项研究中,我们训练神经网络预测硅酸盐和磷酸盐的值在南大洋的温度,压力,盐度,氧,硝酸盐,和位置,并将这些模型应用到地球系统模型(ESM)和BGC-Argo数据,以扩大这个海洋观测网络的效用。我们根据全球海洋船基水文调查计划(GO-SHIP)的观测结果训练了我们的神经网络,并使用dropout正则化来提供我们预测值的不确定性界限。我们的神经网络显著改善了线性回归,但在预测变量的范围内显示出不同程度的不确定性。我们探索我们的估计量的泛化到我们的训练分布之外的测试数据,从ESM和BGC-Argo数据。我们使用分布外的测试数据来检查地球化学参数的变化,并计算估计值的不确定性界限,这推动了海洋学数据和气候监测的发展。我们公开我们的数据和代码。
2021-10-30 cs.LG physics.ao-ph