用于篮子试验中处理效应估计的多任务对抗学习
机器学习
2022-03-11 v1 应用统计
统计方法学
摘要
从观测数据估计处理效应为许多现实应用提供因果洞察,例如不同的临床研究设计,即医学、临床及其他类型研究中的试验、实验和观测研究的构想。在本文中,我们描述了一种用于称为篮子试验的新型临床设计的因果推断应用,该设计测试一种新药在患有不同类型癌症但均具有相同突变的患者中的疗效。我们提出了一种多任务对抗学习(MTAL)方法,其结合了特征选择多任务表示学习和对抗学习,以估计具有相同基因突变但患有不同肿瘤类型的患者在不同肿瘤类型下的潜在结果。在本文中,篮子试验被用作展示这一新因果推断设置的直观示例。这一新因果推断设置包括但不限于篮子试验。该设置面临与传统因果推断问题相同的挑战,即不同子组下反事实结果的缺失以及由于混杂因素导致的处理选择偏差。我们展示了MTAL方法在分析合成篮子试验数据时的实际优势,并在两个基准IHDP和News上评估了所提出的估计器。结果证明了我们的MTAL方法优于竞争的SOTA方法。
引用
@article{arxiv.2203.05123,
title = {Multi-Task Adversarial Learning for Treatment Effect Estimation in Basket Trials},
author = {Zhixuan Chu and Stephen L. Rathbun and Sheng Li},
journal= {arXiv preprint arXiv:2203.05123},
year = {2022}
}
备注
Proceedings of Machine Learning Research (PMLR); Conference on Health, Inference, and Learning (CHIL) 2022