Fugu-MT 論文翻訳(概要): Causal inference in drug discovery and development

論文の概要: Causal inference in drug discovery and development

arxiv url: http://arxiv.org/abs/2209.14664v1
Date: Thu, 29 Sep 2022 09:54:18 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 18:21:28.539682
Title: Causal inference in drug discovery and development
Title（参考訳）: 薬物発見・開発における因果推論
Authors: Tom Michoel and Jitao David Zhang
Abstract要約: 因果推論には、認知バイアスを減らし、薬物発見における意思決定を改善するという約束がある。バリューチェーンにまたがって適用されているが、因果推論の概念と実践は、多くの実践者にとってあいまいなままである。本稿では、因果推論を非技術的に導入し、最近の応用をレビューし、薬物発見・開発において因果言語を採用する機会と課題について論じる。
参考スコア（独自算出の注目度）: 3.0458514384586395
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: To discover new drugs is to seek and to prove causality. As an emerging approach leveraging human knowledge and creativity, data, and machine intelligence, causal inference holds the promise of reducing cognitive bias and improving decision making in drug discovery. While it has been applied across the value chain, the concepts and practice of causal inference remain obscure to many practitioners. This article offers a non-technical introduction to causal inference, reviews its recent applications, and discusses opportunities and challenges of adopting the causal language in drug discovery and development.
Abstract（参考訳）: 新しい薬を見つけるには、探究し、因果性を証明することです。人間の知識、創造性、データ、マシンインテリジェンスを活用する新しいアプローチとして、因果推論は認知バイアスを減らし、薬物発見における意思決定を改善するという約束を果たす。バリューチェーンにまたがって適用されているが、因果推論の概念と実践は、多くの実践者にとってあいまいである。本稿では、因果推論の非技術的導入、最近の応用の見直し、薬物発見・開発における因果言語導入の機会と課題について論じる。

関連論文リスト

Disentangled Representations for Causal Cognition [0.0]
因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
論文参考訳（メタデータ） (2024-06-30T16:10:17Z)
Causality from Bottom to Top: A Survey [1.2699007098398807]
因果関係は、様々な研究分野における事象、現象、結果の関係を説明するための基本的なアプローチとなっている。医療、医療、経済学、金融、不正検出、サイバーセキュリティ、教育、公共政策、推薦システム、異常検出、ロボット工学、制御、社会学、マーケティング、広告など様々な分野や応用に侵入してきた。
論文参考訳（メタデータ） (2024-03-17T13:39:43Z)
Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies [12.78006421209864]
因果発生理論は出現を定量化するために因果関係の尺度を用いる。因果の出現を定量化し、データを識別する。因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
論文参考訳（メタデータ） (2023-12-28T04:20:46Z)
Crystal: Introspective Reasoners Reinforced with Self-Feedback [118.53428015478957]
本稿では,イントロスペクティブ・コモンセンス推論器であるCrystalを開発するための新しい手法を提案する。コモンセンス問題に対処するため、まず与えられた質問に関連する知識ステートメントのイントロスペクションを行い、その後、それまでのイントロスペクションされた知識に根ざした情報予測を行う。実験により、クリスタルは標準的な微調整法と連鎖蒸留法の両方で著しく優れており、コモンセンス推論プロセスの透明性を高めていることが示された。
論文参考訳（メタデータ） (2023-10-07T21:23:58Z)
Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [60.244412212130264]
Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
論文参考訳（メタデータ） (2023-08-23T04:59:21Z)
On How AI Needs to Change to Advance the Science of Drug Discovery [0.0]
因果因果因果因因果因因果因因因果因因果因果因果因因果因果因果因因果因因果因因果因因果因因果因果因因因果因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因本稿では,因果的薬物発見を因果的推論における薬物発見の過程を基盤としたモデル作成の手法として提示する。
論文参考訳（メタデータ） (2022-12-23T19:35:51Z)
CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文参考訳（メタデータ） (2022-12-20T18:31:50Z)
Deep Causal Learning: Representation, Discovery and Inference [2.696435860368848]
因果学習は、現象の基盤となり、世界が進化するメカニズムを規定する本質的な関係を明らかにする。従来の因果学習手法は、高次元変数、非構造変数、最適化問題、未観測の共同設立者、選択バイアス、推定不正確さなど、多くの課題や制限に直面している。ディープ・因果学習はディープ・ニューラルネットワークを活用し、これらの課題に対処するための革新的な洞察と解決策を提供する。
論文参考訳（メタデータ） (2022-11-07T09:00:33Z)
Active Inference in Robotics and Artificial Agents: Survey and Challenges [51.29077770446286]
我々は、状態推定、制御、計画、学習のためのアクティブ推論の最先端理論と実装についてレビューする。本稿では、適応性、一般化性、堅牢性の観点から、その可能性を示す関連する実験を紹介する。
論文参考訳（メタデータ） (2021-12-03T12:10:26Z)
ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文参考訳（メタデータ） (2021-03-26T02:42:38Z)
Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文参考訳（メタデータ） (2021-02-22T15:26:57Z)

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。