論文の概要: Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications

• arxiv url: http://arxiv.org/abs/2209.14975v1
• Date: Thu, 29 Sep 2022 17:44:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 17:48:34.828457
• Title: Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications
• Title（参考訳）: 非線形変数相関による因果推論の医療への応用
• Authors: Junda Wang, Weijian Li, Han Wang, Hanjia Lyu, Caroline Thirukumaran, Addisu Mesfin, Jiebo Luo
• Abstract要約: 線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
• 参考スコア（独自算出の注目度）: 60.26261850082012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference and model interpretability research are gaining increasing attention, especially in the domains of healthcare and bioinformatics. Despite recent successes in this field, decorrelating features under nonlinear environments with human interpretable representations has not been adequately investigated. To address this issue, we introduce a novel method with a variable decorrelation regularizer to handle both linear and nonlinear confounding. Moreover, we employ association rules as new representations using association rule mining based on the original features to further proximate human decision patterns to increase model interpretability. Extensive experiments are conducted on four healthcare datasets (one synthetically generated and three real-world collections on different diseases). Quantitative results in comparison to baseline approaches on parameter estimation and causality computation indicate the model's superior performance. Furthermore, expert evaluation given by healthcare professionals validates the effectiveness and interpretability of the proposed model.
• Abstract（参考訳）: 因果推論とモデル解釈可能性の研究は、特に医療とバイオインフォマティクスの分野で注目を集めている。 この分野での最近の成功にもかかわらず、人間の解釈可能な表現を持つ非線形環境下での特徴は十分に研究されていない。 この問題に対処するために,線形および非線形結合を扱う可変相関正規化器を用いた新しい手法を提案する。 さらに,ルールマイニングに基づく新たな表現としてアソシエーションルールを用い,モデルの解釈性を高めるために,人間の判断パターンの近さをさらに高めるために,アソシエーションルールを活用した。 4つの医療データセット(合成された1つのデータセットと異なる病気に関する3つの現実世界のコレクション)で広範な実験が行われている。 パラメータ推定と因果計算のベースラインアプローチと比較した定量的結果は、モデルの優れた性能を示している。 さらに, 医療専門家による専門家評価により, 提案モデルの有効性と解釈性が検証された。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Neuro-Causal Factor Analysis [18.176375611711396]
  神経因果因子分析(NCFA)の枠組みについて紹介する。 NCFAは潜伏因果発見法により因子を同定し、可変オートエンコーダ(VAE)を用いる NCFAを実データおよび合成データセット上で評価し、データ再構成タスクにおける標準VAEと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-05-31T12:41:20Z)
• Analyzing Effects of Mixed Sample Data Augmentation on Model Interpretability [15.078314022161237]
  モデルの学習における解釈可能性とデータ拡張戦略の関係について検討する。 実験により、混合サンプルデータ拡張で訓練されたモデルは、解釈可能性の低下を示すことが示された。
  論文  参考訳（メタデータ） (2023-03-26T03:01:39Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Rank-Based Causal Discovery for Post-Nonlinear Models [2.4493299476776778]
  ポスト非線形(PNL)因果モデルは、そのような制限されたサブクラスに対して最も柔軟な選択肢の1つである。 本稿では,PNL因果探索のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-23T21:19:23Z)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。