面向剂量组合的可靠离屏学习
机器学习
2023-10-30 v2 人工智能
摘要
个性化医疗（如癌症治疗或重症监护）中的决策常须为剂量组合（即多种连续治疗）做出选择。该任务的现有工作独立建模多种治疗的效应，而联合效应的估计鲜受关注且面临不小的挑战。本文提出一种用于剂量组合可靠离屏学习的新方法。我们的方法分三步进行：（1）我们开发了一个定制的神经网络，在考虑多种相关剂量联合效应的同时估计个体化剂量-反应函数。（2）我们使用条件归一化流估计广义倾向得分，以检测共享协变量-治疗空间中重叠有限的区域。（3）我们提出一种基于梯度的学习算法来寻找最优的个体化剂量组合。在此，我们通过避开重叠有限的区域来确保策略值的可靠估计。最后我们对方法进行了广泛评估以证明其有效性。据我们所知，我们的工作是首个提供最优剂量组合可靠离屏学习方法的文献。
引用
@article{arxiv.2305.19742,
title = {Reliable Off-Policy Learning for Dosage Combinations},
author = {Jonas Schweisthal and Dennis Frauen and Valentyn Melnychuk and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2305.19742},
year = {2023}
}
备注
Accepted at NeurIPS 2023