用于估计时间事件数据中异质处理效应的正交生存学习者
机器学习
2025-05-20 v1 机器学习
摘要
估计异质处理效应(HTEs)对于个人化决策至关重要。然而，在生存分析中，这一任务具有挑战，因为生存分析包括以受 censoring 事件（例如，由于研究脱落）为时间的数据。在本文中，我们提出了一个新型正交生存学习者工具箱，用于从时间事件数据中估计HTEs。我们的学习者有三个主要优势：(i)我们表明，我们的工具箱中的学习者被保证是正交的，从而具有有利的理论属性；(ii)我们的工具箱允许包含自定义加权函数，这可以导致对不同类型的低重叠的鲁棒性；(iii)我们的学习者是模型无关的(即，它们可以与任意机器学习模型结合)。我们使用几种加权函数实例化我们的工具箱中的学习者，结果提出了各种神经正交生存学习者。其中一些与现有的生存学习者相吻合(包括生存版本的DR-和R-学习者)，而另一些则是新的，并且进一步鲁棒于特定于生存情境的低重叠情况(即生存重叠和censoring重叠)。我们随后通过数值实验在不同低重叠情境中验证了我们的学习者有效地估计HTEs。总之，我们为从事随机和观察性研究提供了一个大型学习者工具箱，可用于处理受censoring时间事件数据。
引用
@article{arxiv.2505.13072,
title = {Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data},
author = {Dennis Frauen and Maresa Schröder and Konstantin Hess and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2505.13072},
year = {2025}
}
备注
Preprint