Model-agnostic meta-learners for estimating heterogeneous treatment effects over time

要約

個別化医療などの多くの分野では、時間の経過とともに不均一な治療効果（HTE）を推定することが重要です。
たとえば、電子健康記録は一般にいくつかの期間にわたって収集され、その後、治療の決定をパーソナライズするために使用されます。
このタスクの既存の作業は、主にモデルベースの学習者（つまり、特定の機械学習モデルを適応させる学習者）に焦点を当てています。
対照的に、モデルに依存しない学習者（いわゆるメタ学習者）は、ほとんど未開拓です。
私たちの論文では、モデルに依存しているため、任意の機械学習モデル（トランスなど）と組み合わせてHTEを推定するために使用できるいくつかのメタ学習者を提案します。
ここで、私たちの焦点は、加重擬似結果回帰を介して得られる学習者にあります。これにより、治療効果を直接標的とすることで効率的な推定が可能になります。
次に、さまざまな学習者を特徴付ける包括的な理論分析を提供し、特定の学習者が望ましいときについての洞察を提供できるようにします。
最後に、数値実験を通じて理論的洞察を確認します。
要するに、メタ学習者はすでに静的設定の最先端ですが、時間変化の設定でHTEを推定するための包括的なメタ学習者のセットを提案した最初の人です。

要約(オリジナル)

Estimating heterogeneous treatment effects (HTEs) over time is crucial in many disciplines such as personalized medicine. For example, electronic health records are commonly collected over several time periods and then used to personalize treatment decisions. Existing works for this task have mostly focused on model-based learners (i.e., learners that adapt specific machine-learning models). In contrast, model-agnostic learners — so-called meta-learners — are largely unexplored. In our paper, we propose several meta-learners that are model-agnostic and thus can be used in combination with arbitrary machine learning models (e.g., transformers) to estimate HTEs over time. Here, our focus is on learners that can be obtained via weighted pseudo-outcome regressions, which allows for efficient estimation by targeting the treatment effect directly. We then provide a comprehensive theoretical analysis that characterizes the different learners and that allows us to offer insights into when specific learners are preferable. Finally, we confirm our theoretical insights through numerical experiments. In sum, while meta-learners are already state-of-the-art for the static setting, we are the first to propose a comprehensive set of meta-learners for estimating HTEs in the time-varying setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google