学习反事实表示以估计个体剂量-响应曲线
机器学习
2020-12-11 v3 机器学习
摘要
估计个体在不同治疗暴露水平下的潜在响应，对于医疗、经济学和公共政策等若干重要领域具有高度实际意义。然而，现有从观测数据学习估计反事实结果的方法，要么聚焦于估计平均剂量-响应曲线，要么局限于仅有两个治疗且不具有相关剂量参数的设定。在此，我们提出一种新颖的机器学习方法，通过神经网络学习反事实表示，以估计任意数量、具有连续剂量参数的治疗的个体剂量-响应曲线。基于已建立的潜在结果框架，我们引入了用于估计个体剂量-响应曲线的性能指标、模型选择准则、模型架构和开放基准。我们的实验表明，本工作所开发的方法在估计个体剂量-响应方面确立了新的state-of-the-art。
引用
@article{arxiv.1902.00981,
title = {Learning Counterfactual Representations for Estimating Individual Dose-Response Curves},
author = {Patrick Schwab and Lorenz Linhardt and Stefan Bauer and Joachim M. Buhmann and Walter Karlen},
journal= {arXiv preprint arXiv:1902.00981},
year = {2020}
}
备注
published at AAAI 2020