論文の概要: Active Learning for Optimal Intervention Design in Causal Models
- arxiv url: http://arxiv.org/abs/2209.04744v2
- Date: Wed, 16 Aug 2023 11:03:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 18:01:42.117441
- 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: 本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。
本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
- 参考スコア（独自算出の注目度）: 11.294389953686945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential experimental design to discover interventions that achieve a
desired outcome is a key problem in various domains including science,
engineering and public policy. 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 for
identifying desirable interventions more efficiently. Here, we develop a causal
active learning strategy to identify interventions that are optimal, as
measured by the discrepancy between the post-interventional mean of the
distribution and a desired target mean. 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 fast optimization. The resulting algorithms are
theoretically grounded with information-theoretic bounds and provable
consistency results for linear causal models with known causal graph. We apply
our approach to both synthetic data and single-cell transcriptomic data from
Perturb-CITE-seq experiments to identify optimal perturbations that induce a
specific cell state transition. The causally informed acquisition function
generally outperforms existing criteria allowing for optimal intervention
design with fewer but carefully selected samples.
- Abstract（参考訳）: 望ましい結果を達成するための介入を発見するための連続的な実験設計は、科学、工学、公共政策を含む様々な領域において重要な問題である。
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、従ってシステムへの介入の効果は、望ましい介入をより効率的に識別するために重要である。
そこで本研究では,分布の前後平均と所望の目標平均との差から,最適な介入を識別するための因果的アクティブラーニング戦略を開発した。
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。
この取得関数はクローズド形式で評価され、高速な最適化が可能となる。
得られたアルゴリズムは、既知の因果グラフを持つ線形因果モデルに対する情報理論境界と証明可能な整合性によって理論的に基礎付けられている。
本手法をperturb-cite-seq実験から得られた合成データと単細胞転写学データの両方に適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
因果情報取得関数は、通常、少ないが慎重に選択されたサンプルで最適な介入設計を可能にする既存の基準より優れている。
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。