AIPW
PulseAugur coverage of AIPW — every cluster mentioning AIPW across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
揭示用于效益-风险评估的新因果推断框架
研究人员开发了一个新颖的因果推断框架，用于评估效益-风险评估中的结果排序期望值（DOOR）。该框架通过分析不同治疗策略下的边际序数结果分布来量化DOOR概率。模拟表明，具有超级学习器的目标最大似然估计（TMLE-SL）在点估计性能上表现更优，优于G计算和逆概率加权等其他方法。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。
-
新的贝叶斯网络模型追踪阿尔茨海默病进展
研究人员开发了一个名为“具有潜在时间嵌入的贝叶斯网络”（BN-LTE）的新框架来模拟阿尔茨海默病的进展。该方法使用贝叶斯网络来估计疾病的伪时间，并理解生物标志物关系如何影响未来的病理。BN-LTE 使用了阿尔茨海默病神经影像计划（ADNI）的数据进行了评估，并展示了 tau 蛋白进展的强大空间重建能力，识别出了淀粉样蛋白敏感性影响 AT(N) 级联的关键窗口。
-
新的校准预测驱动推断方法改进了半监督均值估计
研究人员开发了一种名为校准预测驱动推断（CalPPI）的新方法，以改进半监督均值估计。该技术涉及在使用大量无标签数据集之前，先使用少量有标签数据集对预测分数进行事后校准。该方法旨在提高预测准确性和半监督估计的效率，尤其是在预测分数与结果尺度不完全一致时。实验表明，CalPPI 通常优于 PPI 等现有方法，并且与 AIPW 和 PPI++ 相比具有竞争力或更优。