論文の概要: Active Learning for Optimal Intervention Design in Causal Models
- arxiv url: http://arxiv.org/abs/2209.04744v1
- Date: Sat, 10 Sep 2022 20:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 14:10:08.834939
- Title: Active Learning for Optimal Intervention Design in Causal Models
- Title（参考訳）: 因果モデルにおける最適介入設計のためのアクティブラーニング
- Authors: Jiaqi Zhang, Louis Cammarata, Chandler Squires, Themistoklis P. Sapsis
and Caroline Uhler
- Abstract要約: 規律にまたがる重要な問題は、望ましい結果をもたらす介入の発見である。
本研究では, 最適介入を特定するための反復因果的手法を開発し, 分布の経時的平均と所望の目標平均との相違によって測定した。
本稿では,Perturb-CITE-seq 実験の遺伝子発現データとして,合成データと実世界の生物学的データの両方について述べる。
- 参考スコア（独自算出の注目度）: 9.231179194461518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An important problem across disciplines is the discovery of interventions
that produce a desired outcome. When the space of possible interventions is
large, making an exhaustive search infeasible, experimental design strategies
are needed. In this context, encoding the causal relationships between the
variables, and thus the effect of interventions on the system, is critical in
order to identify desirable interventions efficiently. We develop an iterative
causal method to identify optimal interventions, as measured by the discrepancy
between the post-interventional mean of the distribution and a desired target
mean. We formulate an active learning strategy that uses the samples obtained
so far from different interventions to update the belief about the underlying
causal model, as well as to identify samples that are most informative about
optimal interventions and thus should be acquired in the next batch. The
approach employs a Bayesian update for the causal model and prioritizes
interventions using a carefully designed, causally informed acquisition
function. This acquisition function is evaluated in closed form, allowing for
efficient optimization. The resulting algorithms are theoretically grounded
with information-theoretic bounds and provable consistency results. We
illustrate the method on both synthetic data and real-world biological data,
namely gene expression data from Perturb-CITE-seq experiments, to identify
optimal perturbations that induce a specific cell state transition; the
proposed causal approach is observed to achieve better sample efficiency
compared to several baselines. In both cases we observe that the causally
informed acquisition function notably outperforms existing criteria allowing
for optimal intervention design with significantly less experiments.
- Abstract（参考訳）: 規律を越えた重要な問題は、望ましい結果をもたらす介入の発見である。
介入可能な空間が大きくなると、徹底的な探索が不可能になり、実験的な設計戦略が必要である。
この文脈では、変数間の因果関係をエンコードし、そのため、望ましい介入を効率的に識別するために、システムへの介入の効果が重要である。
本研究では, 最適な介入を識別するための反復的因果法を, 分布の介入後平均と所望の目標平均との差から求めた。
我々は,様々な介入から得られたサンプルを用いて,根底にある因果関係モデルに対する信念を更新し,最適な介入について最も有意義なサンプルを同定し,次のバッチで取得すべきとする,活発な学習戦略を定式化した。
このアプローチは因果モデルにベイズ的更新を採用し、慎重に設計され、因果的にインフォームドされた取得関数を使用して介入を優先する。
この獲得関数は閉じた形で評価され、効率的な最適化が可能となる。
結果のアルゴリズムは、理論上は情報理論上の境界と証明可能な整合性を持つ。
本研究では,合成データと実世界の生体データ,すなわちperturb-cite-seq実験による遺伝子発現データの両方を用いて,特定の細胞状態遷移を誘導する最適な摂動を同定する手法を示す。
いずれの場合も、因果的情報取得機能は既存の基準を著しく上回り、最適な介入設計が可能であり、実験は極めて少ない。
関連論文リスト
- Bayesian Intervention Optimization for Causal Discovery [23.51328013481865]
因果発見は複雑なシステムを理解し、決定を下すのに不可欠である。
ベイジアンやグラフ理論的なアプローチのような現在の手法は意思決定を優先しない。
ベイズ因子に着想を得た新しいベイズ最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-16T12:45:44Z) - Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。
観察的および介入的設定における各変数の限界分布の比較に依拠する介入忠実性を導入する。
また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
論文 参考訳（メタデータ） (2024-05-28T16:07:17Z) - Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳（メタデータ） (2024-02-20T04:13:59Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳（メタデータ） (2023-10-17T08:04:45Z) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。
GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。
我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-11-24T17:04:45Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。
観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文 参考訳（メタデータ） (2022-05-05T12:32:08Z) - Interventions, Where and How? Experimental Design for Causal Models at
Scale [47.63842422086614]
観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。
本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。
本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
論文 参考訳（メタデータ） (2022-03-03T20:59:04Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Causal Bayesian Optimization [8.958125394444679]
本研究では、介入の順序が実行される因果モデルの一部である関心の変数をグローバルに最適化する問題について検討する。
私たちのアプローチは、因果推論、不確実性定量化、シーケンシャルな意思決定といったアイデアを組み合わせています。
因果グラフを理解することで、最適な意思決定戦略を推論する能力が大幅に向上することを示す。
論文 参考訳（メタデータ） (2020-05-24T13:20:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。