論文の概要: CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data
- arxiv url: http://arxiv.org/abs/2210.17283v2
- Date: Mon, 3 Jul 2023 09:12:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-04 15:31:33.544697
- Title: CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data
- Title(参考訳): CausalBench: シングルセル摂動データによるネットワーク推論のための大規模ベンチマーク
- Authors: Mathieu Chevalley, Yusuf Roohani, Arash Mehrjou, Jure Leskovec,
Patrick Schwab
- Abstract要約: 本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
- 参考スコア(独自算出の注目度): 61.088705993848606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference is a vital aspect of multiple scientific disciplines and is
routinely applied to high-impact applications such as medicine. However,
evaluating the performance of causal inference methods in real-world
environments is challenging due to the need for observations under both
interventional and control conditions. Traditional evaluations conducted on
synthetic datasets do not reflect the performance in real-world systems. To
address this, we introduce CausalBench, a benchmark suite for evaluating
network inference methods on real-world interventional data from large-scale
single-cell perturbation experiments. CausalBench incorporates
biologically-motivated performance metrics, including new distribution-based
interventional metrics. A systematic evaluation of state-of-the-art causal
inference methods using our CausalBench suite highlights how poor scalability
of current methods limits performance. Moreover, methods that use
interventional information do not outperform those that only use observational
data, contrary to what is observed on synthetic benchmarks. Thus, CausalBench
opens new avenues in causal network inference research and provides a
principled and reliable way to track progress in leveraging real-world
interventional data.
- Abstract(参考訳): 因果推論は、複数の科学分野において重要な側面であり、医学のような高影響の応用に日常的に適用される。
しかし, 実環境における因果推論手法の性能評価は, 介入条件と制御条件の両方で観測する必要があるため困難である。
合成データセットを用いた従来の評価は、実世界のシステムの性能を反映していない。
そこで我々は,大規模な単一セル摂動実験から実世界の干渉データに対するネットワーク推定手法を評価するベンチマークスイートCausalBenchを紹介する。
causalbenchは、新しい分散ベースの介入メトリクスを含む、生物学的に動機づけられたパフォーマンスメトリクスを組み込んでいる。
CausalBench スイートを用いた最先端因果推論手法の体系的評価では,現在のメソッドのスケーラビリティの低さがパフォーマンスを損なうことを強調している。
さらに、介入情報を使用する手法は、合成ベンチマークで観察される方法とは対照的に、観測データのみを使用する手法よりも優れていない。
このようにcausalbenchは因果ネットワーク推論研究に新たな道を開き、実世界の介入データを活用する進捗を追跡するための原則と信頼性を提供する。
関連論文リスト
- 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) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal
Discovery [56.785518690320096]
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) - Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。
我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文 参考訳(メタデータ) (2022-02-09T00:21:22Z) - 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) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z) - Nonparametric inference for interventional effects with multiple
mediators [0.0]
より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。
提案した推定器の複数のロバスト性特性を示す。
本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
論文 参考訳(メタデータ) (2020-01-16T19:05:00Z)
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。