PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.19830v2cs.LG

집합값 정책 학습

Set-Valued Policy Learning

전통적인 치료 정책은 기대되는 임상 결과를 극대화하기 위해 환자의 공변량을 단일 권장 중재로 매핑합니다. 그러나 여러 치료법이 통계적으로 구별할 수 없는 결과를 내거나 치료 효과가 없을 때, 단일 중재만을 권장하는 것은 다소 자의적인 중재로 이어져 임상적 도입과 신뢰를 저해할 수 있습니다. 이를 해결하기 위해 본 논문에서는 집합값 정책 학습(set-valued policy learning) 패러다임을 제안합니다. 권장의 모호성을 반영하는 기수(cardinality)를 갖는 유의미한 치료법들의 집합을 출력함으로써, 본 접근법은 임상적 의사결정을 더욱 효과적으로 지원합니다. 다운스트림 의사결정의 다양한 가능성으로 인해 집합값 정책을 평가하는 것은 까다롭습니다. 이를 위해 우리는 임상적 의사결정을 모델링하는 선택 함수를 사용하여 집합 정책 가치를 정의하고, 이에 대한 이중 강건(doubly robust) 추정량을 개발합니다. 실질적인 중요성에도 불구하고, 범주형 치료에 대한 집합값 정책 학습은 여전히 거의 연구되지 않았습니다. 이러한 맥락에서 우리는 두 가지 상호보완적인 접근 방식을 도입합니다. 하나는 지연 학습(learning-to-defer) 프레임워크를 다중 치료로 확장한 최대 하한(Greatest Lower Bound) 방법이며, 다른 하나는 관측되지 않은 실측 최적 치료와 추정된 최적 치료 규칙 간의 간극을 좁히는 등각 집합값 정책 학습(conformal set-valued policy learning)입니다. 합성 데이터에 대한 실험과 외상 치료 및 체외 수정(IVF)에 대한 실제 적용을 통해, 우리는 제안 방법들이 성능과 신뢰성의 균형을 효과적으로 유지하면서 임상적 고려사항을 자연스럽게 통합하는 강건하고 실행 가능한 정책을 생성함을 입증합니다.

arXiv:2601.17647v3cs.LG

북극해 해빙 역학을 위한 지식 유도 시변 인과 추론

Knowledge-Guided Time-Varying Causal Inference for Arctic Sea Ice Dynamics

해빙 두께와 해수면 높이(sea surface height, SSH) 간의 인과 관계를 정량화하는 것은 극지 기후 역학을 구동하는 메커니즘을 이해하는 데 필수적이다. 기존 심층 학습 모델은 시변 교란(time-varying confounding)과 물리적 제약의 부재로 인해 기후 환경에서 처치 효과(treatment effect) 추정에 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 우리는 SSH가 해빙 두께에 미치는 효과를 정량화하기 위해 지식 유도 인과 모델 변분 오토인코더(Knowledge-Guided Causal Model Variational Autoencoder, KGCM-VAE)를 제안한다. 이 프레임워크는 SSH와 표면 속도 간의 확립된 물리적 관계를 활용하여 물리적으로 정당화된 시변 연속 처치를 생성하며, 시퀀스 내 각 시간 단계마다 처치 값이 변할 수 있다. 또한 모델은 잠재 공간(latent space)에서 처치군과 대조군 분포의 균형을 맞추기 위해 최대 평균 불일치(Maximum Mean Discrepancy, MMD)를 통합하여 관측된 교란 바이어스를 완화한다. 합성 데이터를 사용하여 가상의 SSH 강제(forcing) 시나리오 하에서 해빙 두께 반응을 예측하는 모델의 능력을 평가했으며, KGCM-VAE가 최신(state-of-the-art) 기준선 대비 더 낮은 PEHE를 달성함을 보였다. 절제 연구(ablation studies)는 또한 MMD가 기본 모델 대비 처치 효과 추정을 지속적으로 향상시킴을 확인한다. 또한, 해빙 두께가 SSH 강제에 얼마나 민감한지 검토하고 기존 물리 모델링 결과와 대조하여 우리의 발견을 검증하기 위해 실제 사례 연구를 수행했다.

arXiv:2607.10540v1stat.ML

Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity

우리는 "본질적 이질성 없음"(NEH, no essential heterogeneity) 가정 하에서 심층 표현 학습과 G-추정을 결합한 구조적 매개 모수에 대한 2단계 추정량을 제안하며, 이 방법을 UNIT이라 부른다. 첫 번째 단계에서 TARNet은 처치군 전반에 걸쳐 공유된 공변량 표현을 학습함으로써 무작위 처치가 매개변수에 미치는 이질적 효과를 추정한다. 산출된 조건부 평균 처치 효과(CATE, conditional average treatment effect) 추정값은 Zheng and Zhou (2015)의 G-추정 방정식에 입력되는 가중치 함수의 이질성 의존 성분에 대한 플러그인 근사값을 제공하며, 이는 측정되지 않은 매개변수-결과 교란이 존재하는 경우에도 구조 모수를 식별한다. 우리는 보다 정확한 1단계 표현 학습이 더 많은 정보를 담은 플러그인 가중치를 산출하여 구조 모수 추정량의 정밀도를 향상시킬 수 있음을 보인다. 비가우시안 공변량과 비선형 매개변수 효과를 갖는 시뮬레이션에서, TARNet 가중치는 바이어스나 커버리지의 손실 없이 고전적 접근법 대비 매개 계수의 2단계 표준 오차를 1.45에서 1.51배(반복 실험 전체의 중앙값, $n \ge 2000$) 감소시킨다.

arXiv:2603.19186v3cs.LG

보정 정렬을 통한 공변량 불일치 하에서의 RCT 기반 처치 효과 추정 개선

Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment

무작위 대조 시험(RCT)과 관찰 연구(OS) 간 공변량 불일치 문제를 해결하기 위해, 각 데이터 소스의 특성을 공통 임베딩 공간으로 매핑하는 CALM(Calibrated ALignment under covariate Mismatch)을 제안한다. 결측 공변량을 직접 대입하는 기존 방식 대신 표현 정렬(representation alignment)을 활용하며, 51개 시뮬레이션 설정과 실제 데이터 연구에서 CALM-NN이 비선형 CATE 추정 시 기존 방법 대비 가장 큰 성능 향상을 달성했다.

arXiv:2606.25762v1cs.LG

OncoSynth: Synthetic data generation for treatment effect estimation in oncology

종양학에서는 환자 데이터 공유가 제한되어 치료 효과 추정에 편향을 낳는 기존 합성 데이터 생성의 한계를, 공변량·치료·생존 결과 간 인과 관계를 순차적으로 모델링하는 확산(diffusion) 기반 OncoSynth로 해결한다. 대규모 폐암·유방암 코호트 평가에서 OncoSynth는 환자·치료·결과 분포를 높은 충실도로 재현하고, 인구 수준 치료 효과 오차를 최대 66%, 환자 수준 오차를 최대 58% 줄여 기존 방법보다 정확한 치료 효과 추정을 지원한다.