Estimating Heterogenous Treatment Effects for Survival Data with Doubly Doubly Robust Estimator
원문 초록
In this paper, we introduce a doubly doubly robust estimator for the average and heterogeneous treatment effect for left-truncated-right-censored (LTRC) survival data. In causal inference for survival functions in LTRC survival data, two missing data issues are noteworthy: one is the missing data of counterfactuals for causal inference, and the other is the missing data due to truncation and censoring. Based on previous research on non-parametric deep learning estimation in survival analysis, this paper proposes an algorithm to obtain an efficient estimate of the average and heterogeneous causal effect. We simulate the data and compare our methods with the marginal hazard ratio estimation, the naive plug-in estimation, and the doubly robust causal with Cox Proportional Hazard estimation and illustrate the advantages and disadvantages of the model application.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
이질적 중도절단 데이터에 대한 강건한 부분군 분석
Robust Subgroup Analysis for Heterogeneous Censored Data
부분군 분석(subgroup analysis)은 실제로 중요한데, 현실 데이터는 일반적으로 이질적 모집단에서 수집되며 의미 있는 패턴이 부분 모집단에 따라 상당히 다를 수 있기 때문이다. 이러한 부분군을 올바르게 식별하면 예측 정확도를 향상시키고, 편향되거나 오해를 유발하는 결론을 방지하며, 보다 효과적이고 표적화된 의사결정을 지원할 수 있다. 기존의 대부분의 부분군 분석 방법이 완전한 데이터를 대상으로 개발된 반면, 본 논문에서는 이질적 가속 실패 시간(AFT, accelerated failure time) 모델 하의 중도절단 데이터(censored data)에 대한 새롭고 강건한 접근법을 제안한다. 구체적으로, 역확률 가중(inverse probability weighting), M-추정(M-estimation), 오목 쌍별 융합 페널화(concave pairwise fusion penalization)를 결합하여, 개별 부분군 소속에 대한 사전 지식 없이도 이질적 중도절단 데이터의 부분군을 동시에 식별하고 공변량 효과를 추정한다. 또한 이 방법을 구현하기 위한 효율적인 RISA-ADMM 알고리즘을 개발하고 그 수렴(convergence)을 증명한다. 나아가, 완화된 정칙성 조건 하에서 제안된 추정량의 이론적 성질을 도출한다. 광범위한 시뮬레이션과 German credit 데이터셋에 대한 적용을 통해 제안된 방법의 강건성과 효과성을 입증한다.
시간 인덱스 입력을 포함한 생존 모델에서 행정적 중도절단의 함정
Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs
생존 모델(survival model)은 부분적으로 관측된 데이터를 활용하여 사건 발생까지의 시간(time-to-event) 결과를 모델링할 수 있다. 이 모델은 암 위험, 질병 진행, 치료 반응, 사망률 등 임상 예측에 널리 활용된다. 최근 모델들은 의료 영상, 검사실 검사, 전자 건강 기록(EHR) 스냅샷, 센서 측정값 등 특정 임상 방문 시 수집된 풍부한 입력에 의존하는 경우가 많다. 대규모 후향적 데이터셋에서 이러한 입력은 통상 수년에 걸쳐 수집된다. 그 결과, 기기·프로토콜·문서화 방식·환자 구성·임상 관행의 변화를 통해 입력이 수집된 시점에 대한 단서를 포함할 수 있다. 이는 결과가 고정된 연구 종료일까지만 관측될 때 잠재적인 실패 모드를 만든다. 더 최근에 기록된 데이터는 오래된 데이터에 비해 잠재적 추적 관찰 기간이 필연적으로 짧다. 입력으로부터 기록 날짜를 추론할 수 있는 모델은 따라서 환자의 실제 사건 발생 위험이 아니라 가용한 추적 관찰 기간을 예측하도록 학습될 수 있다. 우리는 이 실패 모드를 행정적 절단 누출(administrative-cutoff leakage)이라 부른다. 본 논문에서는 이 누출이 발생하는 조건을 규명하고, 이를 고전적인 정보적 중도절단(informative censoring) 및 위험의 실질적 시간적 변화와 구별하며, 이를 탐지하기 위한 실용적인 방법을 제안한다. 시뮬레이션을 통해 행정적 절단 누출이 고정 시계열 AUC를 과대추정하게 할 수 있으며, 현실적인 추적 관찰 패턴 하에서 Harrell의 C-index에도 영향을 줄 수 있음을 보인다. 이어서 실제 유방조영술 코호트에서도 동일한 현상을 실증한다. 이러한 결과는 생존 예측을 위한 단순한 설계 원칙을 동기부여한다: n년 예측 과제의 경우, 데이터셋은 최신 입력 날짜 이후 최소 n년의 잠재적 추적 관찰 기간을 제공해야 한다. 그렇지 않으면 모델은 행정적 절단 누출에 의해 유발된 바이어스에 노출될 수 있다.
신경망을 이용한 교번 반복 사건의 동적 예측
Dynamic Prediction of Alternating Recurrent Events via Neural Network
교번 반복 사건(alternating recurrent events)은 이차 불응기(secondary refractory period)를 유발하는 특정 성질의 사건 발생 시간으로, 행동과학, 형사 사법, 생물통계학 등 광범위한 분야에서 나타난다. 이러한 사건의 분석은 상관된 관측값과 잠재적 중도절단(censoring)에 종속된 반복 결과를 포함한 통계적 미묘함에 세심한 주의를 기울여야 한다. 본 연구에서는 통계 연구자를 위한 신경망(neural network) 이론을 발전시키고 역확률 가중 유사 관측값(inverse probability weighted pseudo-observations)을 적용하여, 후속 교번 반복 사건 예측에 적합한 온라인 동적 예측 프레임워크를 개발한다. 제안된 모델은 교번 반복 사건 없는 시간을 동적으로 예측하는 데 적용되어 시뮬레이션에서 우수한 성능을 보이며, 1년차 의학 전공의의 저하된 기분 기간 예측 적용에서 뛰어난 성능을 보인다. 마지막으로 논의로 마무리한다.
연속 시간 잠재 동역학의 얽힘 풀기: 확산 변화를 통한 잠재 SDE의 식별가능성
Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts
시계열을 위한 인과 표상 학습(causal representation learning)은 이산 시간 잠재 인과 모델에서 강력한 식별가능성(identifiability) 결과를 발전시켜 왔으나, 연속 시간 잠재 확률미분방정식(SDE) 모델에서의 식별가능성은 여전히 대부분 미해결 상태로 남아 있습니다. 본 연구에서는 환경에 의해 유도된 확산 공분산(diffusion covariance)의 변화를 활용하여 이 간극을 해결합니다. 저자들은 공유된 드리프트(drift)를 가지지만 환경별로 서로 다른 확산 공분산을 갖는, 미지의 비선형 미분동형사상(diffeomorphism)을 통해 관측되는 가산 노이즈 잠재 SDE를 연구합니다. 드리프트에 대한 어떠한 희소성(sparsity) 가정 없이도, 좌표별 분산 비율이 서로 다른 두 개의 대각 확산 영역(regime)이 주어지면 치환(permutation), 좌표별 스케일링, 그리고 가능한 상수 이동(constant shift) 수준까지 잠재 좌표를 식별할 수 있음을 보입니다. 먼저 선형 오룬슈타인-울렌벡(Ornstein-Uhlenbeck) 시스템에 대해 이 결과를 증명한 후, 이를 일반적인 가산 노이즈 잠재 SDE로 확장합니다. 완만한 매끄러움(smoothness) 조건 하에서, 순간적인 드리프트-야코비안(drift-Jacobian) 인과 그래프 또한 동일한 치환 수준까지 식별 가능합니다. 저자들은 잠재 표현 얽힘 풀기(disentanglement) 및 선택적 그래프 복원을 위한 2단계 추정기를 제안합니다. 합성 시스템에 대한 실험을 통해 예측된 식별가능성 경계를 확인하였으며, 하르당에르교(Hardanger Bridge) 모니터링 데이터에 적용하여 실제 센서 궤적에 대한 접근법의 효용성을 입증합니다.
삭제가 아닌 은닉: 네트워크가 얽힌 특징을 억제하는 방식
Hidden not Deleted: How Networks Suppress Entangled Features
신경망이 어떤 특징을 더 이상 보고하지 않을 때, 그 특징을 잊은 것인가 아니면 단지 숨긴 것인가? 공유 표현은 이 질문에 대한 답을 복잡하게 만든다. 한 특징의 방향을 제거하면 다른 특징도 손상될 수 있기 때문이다. 우리는 입력을 압축하고 복원하는 소규모 오토인코더에서 이 문제를 연구하며, 이를 통해 개별 특징의 기여를 직접 추적할 수 있다. 표현을 고정한 상태에서 단일 편향을 복원하면 출력의 활성화 임계값 뒤에 숨겨진 신호가 드러나면서 대상 검출이 부분적으로 회복된다. 대상이 없는 입력에 대한 테스트는 이러한 회복을 단순히 출력을 증가시키는 개입과 구별한다. 표현이 변할 수 있도록 허용하면 동일한 편향 개입은 효과가 떨어진다. 우리는 대상 자체의 출력에 대한 손실이 없더라도 다른 출력만 학습시키면 대상의 기여가 약해질 수 있음을 발견하였다. 조건부 이론적 분석은 유지되는 예측과의 간섭이 어떻게 이러한 압력을 만드는지를 설명한다. 그러나 더 유연한 예측기는 여전히 잔여 대상 정보를 검출한다. 이러한 결과는 회복이 특징 기하와 어떤 파라미터가 학습되는지에 따라 달라짐을 보여주며, 침묵하는 출력만으로는 망각의 충분한 증거가 되지 못하는 이유를 설명한다.
텍스트-이미지 모델은 귀납주의적 칠면조인가? 인과 추론을 위한 반사실적 벤치마크
Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning
텍스트-이미지(T2I) 생성 모델은 자연어 프롬프트로부터 시각적으로 사실적인 이미지를 생성하는 데 괄목할 만한 진전을 이루었다. 그러나 이러한 성공이 진정한 인과적 이해를 반영하는지, 아니면 시각-텍스트 상관관계에 대한 정교한 패턴 매칭인지는 여전히 불분명하다. 러셀의 귀납주의 칠면조에서 착안하여, 본 논문은 텍스트-이미지 모델이 현실 세계의 사전 지식과 체계적으로 모순되는 규칙 아래에서 이미지를 생성할 수 있는지 조사하기 위해 설계된 반사실 벤치마크인 Counterfactual-World(CF-World)를 소개한다. CF-World는 각 시나리오를 세 가지 점진적 수준으로 구성한다. 일반적인 세계 지식에 따른 사실 생성, 직접적인 시각 지시를 포함한 명시적 반사실 생성, 그리고 변경된 규칙으로부터의 인과적 연역이 필요한 암묵적 반사실 생성이다. 시각-언어 모델 기반 점수 산정 파이프라인인 CF-Eval을 사용하여 오픈소스 및 클로즈드소스 텍스트-이미지 모델을 평가한다. 각 프롬프트 수준의 점수를 주요 결과로 보고하고, 사전 저항률(Prior Resistance Rate, PRR)과 추론 유지율(Reasoning Retention Rate, RRR)을 보조적 기술 지표로 사용한다. 평가한 모든 모델은 반사실 프롬프트에서 사실 프롬프트보다 낮은 점수를 받았다. 진단 실험은 변경된 규칙을 따르는 것과 드물게 함께 나타나는 시각적 속성을 재조합하는 것에 어려움이 있음을 보여준다. 객체와 속성 이름을 바꿔 표현했을 때의 향상은 반사실 생성에서 학습된 시각적 사전 지식이 역할을 한다는 해석과 부합한다. 본 벤치마크와 평가 코드는 https://jylei16.github.io/CF-World.github.io/ 에서 공개되어 있다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.