PITE: Multi-Prototype Alignment for Individual Treatment Effect Estimation
针对观测数据ITE估计中现有方法忽略局部结构的问题,本文提出端到端多原型对齐方法PITE,通过原型匹配与跨组对齐保留局部结构、缓解分布偏移,在基准数据集上性能优于13种SOTA方法。
2025-11-13 cs.LG
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
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
Bayesian Inference of Individualized Treatment Effects using Multi-task Gaussian Processes
University of California, Los Angeles(加州大学洛杉矶分校);University of Oxford(牛津大学)
基于电子健康记录的日益丰富,我们研究了使用观察数据推断个体化治疗效果的问题。基于潜在结果模型,我们提出了一种新的多任务学习框架,其中事实和反事实结果被建模为向量值再生核希尔伯特空间(vvRKHS)中函数的输出。我们开发了一种非参数贝叶斯方法,用于使用多任务高斯过程(GP)与线性coregionalization内核作为vvRKHS的先验来学习治疗效果。贝叶斯方法允许我们通过逐点可信区间计算我们估计的个性化置信度,这对于实现精准医疗的全部潜力至关重要。通过基于风险的经验贝叶斯方法来适应多任务GP先验,从而最大限度地减少了事实结果中的经验误差和(未观察到的)反事实结果中的不确定性,从而减轻了选择偏差的影响。我们对应用于早产儿的干预性社会计划和应用于等待心脏移植的心脏病患者的左心室辅助装置的观察数据集进行实验。在这两个实验中,我们表明,我们的方法显着优于最先进的。
2017-05-28 cs.LG
TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective
确定时间多重干预的因果影响有助于决策。受时变偏倚、选择偏倚和多种干预措施相互作用的限制,从个体时间数据中解开和估计多个治疗效果仍然很少见。为了应对这些挑战,我们提出了一个全面的框架,从个人多重治疗的角度(TCFimt)的时间反事实预测。TCFimt在seq2seq框架中构建对抗性任务以减轻选择和时变偏差,并设计基于对比学习的块以将混合处理效应解耦为分离的主处理效应和因果相互作用,从而进一步提高估计精度。通过对来自不同领域的两个真实世界数据集进行实验,所提出的方法在预测特定治疗的未来结果以及选择最佳治疗类型和时机方面表现出令人满意的性能。
2022-12-17 cs.LG stat.ML
GraphITE: Estimating Individual Effects of Graph-structured Treatments
Kyoto University(京都大学)
目标个体的治疗结果估计是基于因果关系进行决策的重要基础。大多数现有的结果估计方法处理二元或多项选择治疗;然而,在某些应用中,治疗的数量可能非常大,而治疗本身具有丰富的信息。在这项研究中,我们考虑了这种情况下的一个重要实例:图结构的治疗,如药物的结果估计问题。由于大量的可能的治疗方法,在传统的治疗效果估计中出现的观察数据的反事实性质变得更加关注这个问题。我们提出的方法GraphITE(发音为“graphite”)使用图神经网络学习图结构治疗的表示,同时使用希尔伯特-施密特独立准则正则化来减轻观察偏差,这增加了目标和治疗表示的独立性。在两个真实世界数据集上的实验表明,GraphITE的性能优于基线,特别是在大量处理的情况下。
2021-09-12 cs.LG 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
PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation
Tencent AI Lab(腾讯AI实验室)
PIPCFR通过整合后处理变量改进伪结局填补,降低个体治疗效应估计误差。
2025-12-21 cs.AI cs.LG
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
A comparison of methods for model selection when estimating individual treatment effects
Stanford University(斯坦福大学)
医学、商业、政治学和其他领域的从业者越来越意识到,决策应该针对每个病人、客户或选民进行个性化。一个特定的治疗(例如药物或广告)应该只给那些最积极响应的人,当然不给那些会被它伤害的人。个人层面的处理效应可以用改编自机器学习的工具来估计,但是不同的模型可能会产生相互矛盾的估计。然而,与风险预测模型不同,处理效应模型不能使用保留的测试集容易地相互评价,因为真实的处理效应本身从未被直接观察到。除了结果预测的准确性,已经提出了几个可以利用保留数据来评估处理效应模型的指标,但它们没有被广泛使用。我们提供了一个教学框架,阐明了不同方法之间的关系,并使用各种随机和观察数据的模拟来比较它们。我们的研究结果表明,研究人员估计异质性处理效应不需要限制自己的一个单一的模型拟合算法。而不是依赖于一个单一的方法,多个模型拟合不同的算法集应该使用从验证集学习的目标函数相互评估。应使用最小化该目标的模型来估计未来个体的个体处理效应。
2018-06-13 cs.LG stat.ML
The Comparison of Methods for Individual Treatment Effect Detection
National Research University Higher School of Economics(国立研究型大学高等经济学院)
今天,在个人水平上的治疗效果估计是科学和商业的许多领域的一个重要问题。例如,在市场营销中,治疗效果的估计用于选择最有效的促销机制;在医学中,个体治疗效果用于确定每个患者的最佳药物剂量等等。同时,选择最佳方法的问题,即,确保最小预测误差(例如,RMSE)或最高总(平均)效果值的方法保持开放。因此,在本文中,我们比较了机器学习方法估计个体治疗效果的有效性。比较是在Criteo Uplink建模数据集上进行的。在本文中,我们表明,Logistic回归方法和差异得分方法以及USCOM随机森林方法的组合提供了最佳的正确性的个体治疗效果预测的前30%的观察测试数据集。
2019-12-03 cs.LG stat.AP 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
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
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
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
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
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
Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation
Kyoto University(京都大学)
个体治疗效果(ITE)是指对特定目标采取特定措施后预期的治疗效果改善,在各个领域的决策中起着重要作用。然而,其估计问题是困难的,因为干预研究收集关于所应用的治疗的信息(即,行动),其结果往往是相当昂贵的时间和金钱成本。在这项研究中,我们考虑了一个半监督ITE估计问题,利用更容易获得的未标记的实例,以提高ITE估计的性能,使用小的标记数据。我们结合因果推理和半监督学习的两个想法,即匹配和标签传播,分别提出反事实传播,这是第一个半监督ITE估计方法。半真实数据集的实验表明,该方法可以成功地缓解ITE估计中的数据稀缺问题。
2020-05-11 cs.LG stat.ML
Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL(巴黎多芬大学-PSL大学);CNRS(法国国家科学研究中心);Ai Square Connect;AdWay Groupe(AdWay集团)
从观察数据中估计个体治疗效果,定义为有和没有治疗或干预的结果之间的差异,同时只观察两者之一,是因果学习中的一个具有挑战性的问题。在本文中,我们制定了这个问题作为一个隐含变量的推断,并强制执行因果约束的基础上,四个排他性的因果种群模型。我们提出了一个新版本的EM算法,被称为期望因果关系最大化(ECM)算法,并提供提示,其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法,并讨论其性能。
2020-05-06 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
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
The impact of heteroskedasticity on uplift modeling
Humboldt University Berlin(柏林洪堡大学)
本文揭示训练数据异方差性会使 uplift 模型的个体处理效应排序产生系统性偏差,并通过理论、模拟与真实数据验证,指出需改进处理优先级分配方法。
2023-12-08 cs.LG stat.ML
Reliable Estimation of Individual Treatment Effect with Causal Information Bottleneck
KAIST(韩国科学技术院);AItrics
从观察数据中估计个体水平治疗效应(ITE)是因果机器学习中一个具有挑战性和重要性的领域,并且通常在各种关键任务应用中被考虑。在本文中,我们提出了一个信息理论的方法,以找到更可靠的表示估计ITE。我们利用信息瓶颈(IB)原则,该原则解决了简洁性和表示的预测能力之间的权衡。随着因果信息瓶颈的扩展图形模型的引入,我们鼓励学习表示和治疗类型之间的独立性。我们还从理解半监督学习框架中的ITE的角度引入了一种额外形式的正则化器,以确保更可靠的表示。实验结果表明,我们的模型达到了最先进的结果,并表现出更可靠的预测性能与现实世界的数据集上的不确定性信息。
2019-06-07 cs.LG stat.ML
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG stat.ME
Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning
University of California, Los Angeles(加州大学洛杉矶分校);University of Oxford(牛津大学);University at Buffalo(布法罗大学)
从观察数据中估计个体治疗效果(ITE)在医学上是必不可少的。估计ITE的一个核心挑战是处理混杂因素,这些因素是影响干预及其结果的因素。大多数以前的工作依赖于unconfoundedness假设,假设所有的混杂因素都在观测数据中测量。但是,如果存在不可测量的(潜在的)混杂因素,则会引入混杂偏倚。幸运的是,潜在混杂因素的噪声代理通常是可用的,并且可以用于对ITE进行无偏估计。在本文中,我们开发了一种新的对抗性学习框架,使用噪声代理对ITE进行无偏估计。
2018-11-21 cs.LG stat.ML
DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation
Alibaba Group(阿里巴巴集团)
本文提出DESCN模型,通过多任务学习在全样本空间联合学习处理与响应函数并引入伪处理效应预测网络,有效缓解处理偏差与样本不平衡问题,提升了个体处理效应估计和uplift排序的准确性。
2023-10-20 cs.AI cs.LG
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
BITES: Balanced Individual Treatment Effect for Survival data
University Medical Center Göttingen(哥廷根大学医学中心);University of Regensburg(雷根斯堡大学);Kiel University(基尔大学);University Medical Center Schleswig-Holstein(石勒苏益格-荷尔斯泰因大学医学中心)
评估干预措施对患者结局的影响是个性化医疗的关键方面之一。他们的推论经常受到这样一个事实的挑战,即训练数据只包括所给予的治疗的结果,而不是替代治疗的结果(所谓的反事实结果)。根据观测数据,针对这一情景提出了几种方法,即~对于连续和二元结果变量,干预不是随机应用的数据。然而,患者结局通常以至事件发生时间数据记录,如果事件未在观察期内发生,则包括右删失事件时间。尽管其巨大的重要性,但事件发生时间数据很少用于治疗优化。我们提出了一种名为BITES(生存数据的平衡个体处理效应)的方法,该方法将治疗特异性半参数Cox损失与治疗平衡的深度神经网络相结合;即~我们使用积分概率距离(IPM)来规范治疗和未治疗患者之间的差异。我们在模拟研究中表明,这种方法优于最先进的。此外,我们证明,在一个应用程序中的一个队列的乳腺癌患者的激素治疗可以优化的基础上,六个常规参数。我们在一个独立的队列中成功地验证了这一发现。BITES作为一个易于使用的python实现提供。
2022-01-05 cs.LG stat.ME
Individual Treatment Prescription Effect Estimation in a Low Compliance Setting
Criteo AI Lab(Criteo人工智能实验室)
个体处理效应(ITE)估计是一个广泛研究的问题,在各个领域都有应用。我们模拟的情况下,存在异质性不遵守随机分配的治疗,一个典型的情况下,在健康(由于不遵守处方)或数字广告(由于竞争和广告拦截器,例如)。依从性越低,治疗处方的效果或个体处方效果(IPE)越多,信号逐渐消失并且变得难以估计。我们提出了一种新的方法估计的IPE,利用观察到的合规信息,以防止信号衰落。使用结构因果模型框架和做演算,我们定义了一个一般的中介因果效应设置,并提出了一个相应的估计一致恢复IPE渐近方差保证。最后,我们在合成和真实世界的数据集上进行了实验,突出了该方法的好处,该方法在低合规性设置中始终提高了最先进的水平
2020-10-23 cs.LG stat.ME stat.ML
Adversarial De-confounding in Individualised Treatment Effects Estimation
University of Oxford(牛津大学);Institute of Biomedical Engineering(生物医学工程研究所);Oxford-Suzhou Centre for Advanced Research(牛津苏州高级研究中心)
由于非实验性观察数据的日益增多以及实验性研究的局限性,如成本高、不切实际、样本量小且代表性不强等,观察性研究最近受到了机器学习界的极大关注。在观察性研究中,去混淆是个体化治疗效果(ITE)估计的一个基本问题。本文提出了具有对抗性训练的解纠缠表示,以选择性地平衡ITE估计的二进制治疗设置中的混杂因素。治疗策略的对抗性训练选择性地鼓励对混杂因素进行治疗不可知的平衡陈述,并通过反事实推理帮助估计观察性研究中的ITE。在不同程度的混杂下,对合成数据集和真实数据集的实证结果证明,我们提出的方法改进了最先进的方法,在ITE估计中实现了较低的误差。
2023-01-24 cs.AI cs.LG stat.ME
Asymmetrical Latent Representation for Individual Treatment Effect Modeling
Univ. Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所);LISN(南巴黎大学计算机科学实验室)
本文提出ALRITE,一种基于两个非对称潜在空间的CATE估计方法,分别优化对照组与处理组的反事实预测,并在理论上给出PEHE上界,实验验证优于现有方法。
2025-01-23 cs.AI cs.LG
Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates
Binghamton University(宾汉姆顿大学)
本文提出一种利用条件密度估计的ITE保形推断方法,通过两阶段框架和参考分布技术,构建了比现有方法更窄且边际有效的预测区间。
2025-01-24 cs.LG stat.ML
Individualised Treatment Effects Estimation with Composite Treatments and Composite Outcomes
Institute of Biomedical Engineering at the University of Oxford UK(牛津大学生物医学工程研究所);Nuffield Department of Primary Care Health Sciences at the University of Oxford UK(牛津大学初级卫生保健科学系);Nuffield Department of Medicine at the University of Oxford(牛津大学医学系);Oxford-Suzhou Institute of Advanced Research (OSCAR)(牛津-苏州先进研究所)
本文提出H-Learner方法,通过动态共享信息解决复合治疗和复合结局下的个体化治疗效应估计问题。
2025-11-17 cs.AI cs.LG
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
Machine learning for subgroup discovery under treatment effect
National Research University Higher School of Economics(国立研究型大学高等经济学院)
在许多实际工作中,需要估计个体水平上的治疗效果。例如,在医学中,确定将从某种药物中受益的患者是至关重要的。在市场营销中,了解可能购买新产品的人将减少垃圾邮件的数量。在本章中,我们回顾了从随机试验中估计个体处理效应的方法,即,当一部分人接受新的治疗,而其他人没有的实验。最后,它表明,新的有效的方法,需要在这个领域。
2019-02-27 cs.LG stat.ME stat.ML
Conformal Individual Treatment Effect Estimation under Networked Interference
EURECOM(欧洲通信学院);Northeastern University London(伦敦东北大学)
本研究提出干扰调整的加权保形预测方法,放宽无干扰假设,通过构造可观测上界,为网络干扰下的反事实结果和个体治疗效果提供有限样本覆盖保证。
2026-09-15 cs.IT cs.LG math.IT
Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
本文提出ContiVAE框架,利用带Tilted Gaussian先验的变分自编码器将未观测混杂因素建模为潜在变量,从而在观测数据中估计连续处理的个体剂量-反应曲线,实验显示其性能优于现有方法最多62%。
2024-10-21 cs.LG stat.ML
Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing
Indian Institute of Technology Bombay(印度理工学院孟买分校)
针对观测数据中治疗分配与协变量混杂导致的个体化连续治疗效应估计难题,提出结合梯度插值与高斯过程核平滑的反事实推断方法来扩充训练数据,在5个基准上优于6种SOTA方法且具有模型无关性。
2024-01-27 cs.LG stat.ML
Federated Inverse Probability Treatment Weighting for Individual Treatment Effect Estimation
The Ohio State University(俄亥俄州立大学);Department of Biomedical Informatics(生物医学信息学系);Translational Data Analytics Institute(转化数据分析研究所)
本文提出联邦逆概率治疗加权算法FED-IPTW,通过全局与局部协变量-治疗去相关解决联邦ITE估计中的混杂偏倚,并在合成及eICU数据上验证其优于现有方法。
2025-03-06 cs.AI cs.LG
Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effects Estimation
University of Alberta(阿尔伯塔大学)
反事实推理是一个重要的范式,适用于许多领域,如医疗保健,经济学和教育。在这项工作中,我们提出了一种新的方法来解决这个问题的\textit{selection bias}。我们学习了两组潜在随机变量,其中一组对应于仅导致选择偏差的变量,另一组与结果预测相关。它们由自动编码器学习,其中基于Pearson相关系数(PCC)的额外正则化损失鼓励两组随机变量之间的去相关。这允许通过仅保留与估计个体治疗效果相关的潜在变量来明确减轻选择偏倚。在合成玩具数据集和基准数据集上的实验结果表明,我们的算法能够实现最先进的性能,并改善其对应的结果,没有明确的模型的选择偏差。
2019-12-19 cs.LG stat.ML
When do Words Matter? Understanding the Impact of Lexical Choice on Audience Perception using Individual Treatment Effect Estimation
Illinois Institute of Technology(伊利诺伊理工学院)
跨学科的研究表明,词汇选择会影响观众的感知。例如,用户在社交媒体资料中如何描述自己会影响他们的社会经济地位。然而,我们缺乏一般的方法来估计词汇选择对特定句子感知的因果效应。虽然随机对照试验可能提供了很好的估计,但它们并没有扩展到考虑所有词汇选择所需的潜在数百万次比较。相反,在本文中,我们首先提供了两类方法来估计在给定的句子中将一个词改为另一个词对感知的影响。第一类算法建立在准实验设计的基础上,根据观察数据估计个体治疗效果。第二类将治疗效果估计视为分类问题。我们使用三个数据源(Yelp,Twitter和Airbnb)进行实验,发现算法估计值与随机对照试验产生的结果一致。此外,我们发现,它是可能的跨域转移治疗效果分类器,仍然保持高精度。
2018-11-15 cs.CL cs.LG stat.ML
Optimising Individual-Treatment-Effect Using Bandits
University of Brussels (VUB)(布鲁塞尔自由大学(VUB))
在经济学、医疗保健和市场营销等领域应用因果推理模型受到机器学习社区的极大兴趣。特别是,在精准医疗和定向广告等环境中估计个体治疗效果(ITE)的应用已经达到顶峰。在强兼容性假设下优化该ITE-意味着所有表达对治疗结果影响的混杂因素都记录在数据中-通常被称为提升建模(UM)。虽然这些技术已被证明在许多环境中很有用,但由于概念漂移,它们在动态环境中会受到生动的影响。例如,当竞争对手的产品发布时,对营销活动的负面影响。针对这一点,我们提出了提升上下文多臂土匪(U-CMAB),一种新的方法来优化ITE借鉴土匪文学。真实和模拟数据的实验表明,我们提出的方法相比,有利的国家的最先进的。我们所有的代码可以在网上找到https://github.com/vub-dl/u-cmab。
2019-10-16 cs.AI 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
Estimation of individual causal effects in network setup for multiple treatments
Sony Research India(索尼印度研究院);Sony Global Corporation(索尼全球公司)
针对多处理网络化观测数据的个体因果效应估计问题,提出基于GCN学习混杂因素共享表示、用独立网络推断各处理潜在结果的方法,扩展相关度量指标,在基准数据集上取得优于基线的性能。
2023-12-18 cs.AI cs.LG stat.ME
Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review
University College London(伦敦大学学院)
在卫生、经济和社会科学等学科中,大量的观测数据越来越多,研究人员对因果问题而不是预测感兴趣。在本文中,我们研究的问题,估计异质性处理效应使用非参数回归为基础的方法,从一个实证研究,旨在调查参与学校供餐计划对健康指标的影响。首先,我们介绍了与观察或非完全随机化数据进行因果推断相关的设置和问题,以及如何在统计学习工具的帮助下解决这些问题。然后,我们回顾并开发了一个统一的分类现有的国家的最先进的框架,允许个人处理效应估计通过非参数回归模型。在简要概述了模型选择的问题后,我们说明了一些方法在三个不同的模拟研究中的性能。最后,我们通过对学校供餐计划数据的实证分析,展示了一些方法的使用。
2021-11-23 cs.LG stat.ME stat.ML
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
Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks
RBC Borealis(RBC 前沿实验室);McGill University/Mila(麦吉尔大学/米拉实验室)
本文提出一种神经框架,用于有限样本下的PNS估计,通过锚定神经架构保证结构约束,并利用Epistemic神经网络修正极值偏差,以提高高维情况下的覆盖概率和约束有效性。
2026-05-08 cs.AI cs.LG econ.EM
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
A Large Scale Benchmark for Individual Treatment Effect Prediction and Uplift Modeling
Criteo AI Lab(Criteo人工智能实验室);University Grenoble Alps(格勒诺布尔阿尔卑斯大学);ENS Paris Saclay(巴黎萨克雷高等师范学校)
个体处理效应(ITE)预测是机器学习的一个重要研究领域,其目的是在粒度水平上解释和估计行为的因果影响。它代表了一个在多个应用领域(如医疗保健,在线广告或社会经济学)日益增长的兴趣的问题。为了促进对这一主题的研究,我们发布了从几项随机对照试验中收集的1390万个样本的公开集合,将以前可用的数据集扩展了210倍。我们提供有关数据收集的详细信息,并执行健全性检查,以验证将此数据用于因果推断任务。首先,我们形式化了可以使用这些数据执行的提升建模(UM)任务,以及相关的评估指标。然后,我们提出了合成响应面和异质性治疗分配提供了一个一般的ITE预测设置。最后,我们报告了验证数据集关键特征的实验,利用其大小来评估和比较(具有高统计学意义)一系列基线UM和ITE预测方法。
2021-11-19 cs.AI cs.LG stat.AP