Buchumschlag

Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Ethan, Ellington, Caleb, Lengerich, Ben, Xing, Eric P.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Contextualized Policy Recovery: Modeling and Interpreting Medical Decisions with Adaptive Imitation Learning
von: Deuschel, Jannik, et al.
Veröffentlicht: (2023)

Selecting Feature Interactions for Generalized Additive Models by Distilling Foundation Models
von: Jia, Jingyun, et al.
Veröffentlicht: (2026)

Data Science with LLMs and Interpretable Models
von: Bordt, Sebastian, et al.
Veröffentlicht: (2024)

MKA: Memory-Keyed Attention for Efficient Long-Context Reasoning
von: Liu, Dong, et al.
Veröffentlicht: (2026)

Scaling Structure Aware Virtual Screening to Billions of Molecules with SPRINT
von: McNutt, Andrew T., et al.
Veröffentlicht: (2024)

Heterogeneous Treatment Effects in Panel Data
von: Levi, Retsef, et al.
Veröffentlicht: (2024)

Federated Learning for Estimating Heterogeneous Treatment Effects
von: Makhija, Disha, et al.
Veröffentlicht: (2024)

Reliable Selection of Heterogeneous Treatment Effect Estimators
von: Guo, Jiayi, et al.
Veröffentlicht: (2025)

Stable Heterogeneous Treatment Effect Estimation across Out-of-Distribution Populations
von: Zhang, Yuling, et al.
Veröffentlicht: (2024)

A Relative Error-Based Evaluation Framework of Heterogeneous Treatment Effect Estimators
von: Guo, Jiayi, et al.
Veröffentlicht: (2025)

Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence
von: Paillard, Joseph, et al.
Veröffentlicht: (2024)

M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model
von: Li, Xingyu, et al.
Veröffentlicht: (2025)

Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
von: Papakostas, Demetrios, et al.
Veröffentlicht: (2024)

Differentially Private Learners for Heterogeneous Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2024)

Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs
von: Reguly, Ágoston
Veröffentlicht: (2021)

Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects
von: Liang, Zhongyuan, et al.
Veröffentlicht: (2025)

Machine Learning for Health symposium 2024 -- Findings track
von: Hegselmann, Stefan, et al.
Veröffentlicht: (2025)

A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
von: Wu, Ying, et al.
Veröffentlicht: (2023)

FastCache: Fast Caching for Diffusion Transformer Through Learnable Linear Approximation
von: Liu, Dong, et al.
Veröffentlicht: (2025)

Data-Driven Estimation of Heterogeneous Treatment Effects
von: Tran, Christopher, et al.
Veröffentlicht: (2023)

Explaining Neural Scaling Laws
von: Bahri, Yasaman, et al.
Veröffentlicht: (2021)

Combining Incomplete Observational and Randomized Data for Heterogeneous Treatment Effects
von: Yao, Dong, et al.
Veröffentlicht: (2024)

Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
von: Schuessler, Maximilian, et al.
Veröffentlicht: (2025)

Detecting and Mitigating Group Bias in Heterogeneous Treatment Effects
von: Persson, Joel, et al.
Veröffentlicht: (2026)

Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
von: Zhang, Yi, et al.
Veröffentlicht: (2024)

Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data
von: Oprescu, Miruna, et al.
Veröffentlicht: (2024)

What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
von: Dandl, Susanne, et al.
Veröffentlicht: (2022)

Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
von: Zhang, Jennifer Y., et al.
Veröffentlicht: (2025)

Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects
von: Bargagli-Stoffi, Falco J., et al.
Veröffentlicht: (2020)

Designing Large Foundation Models for Efficient Training and Inference: A Survey
von: Liu, Dong, et al.
Veröffentlicht: (2024)

Learning Individual Treatment Effects under Heterogeneous Interference in Networks
von: Zhao, Ziyu, et al.
Veröffentlicht: (2022)

Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data
von: Rudaś, Krzysztof, et al.
Veröffentlicht: (2024)

Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

Memory-adaptive Depth-wise Heterogeneous Federated Learning
von: Zhang, Kai, et al.
Veröffentlicht: (2023)

Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation
von: Chikahara, Yoichi, et al.
Veröffentlicht: (2024)

Federated Linear Contextual Bandits with Heterogeneous Clients
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

Generative Learning of Heterogeneous Tail Dependence
von: Sun, Xiangqian, et al.
Veröffentlicht: (2020)

Formally Verifying and Explaining Sepsis Treatment Policies with COOL-MC
von: Gross, Dennis
Veröffentlicht: (2026)

Heterogeneous Treatment Effect in Time-to-Event Outcomes: Harnessing Censored Data with Recursively Imputed Trees
von: Meir, Tomer, et al.
Veröffentlicht: (2025)