論文の概要: Zero-shot causal learning

• arxiv url: http://arxiv.org/abs/2301.12292v1
• Date: Sat, 28 Jan 2023 20:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 18:03:12.227659
• Title: Zero-shot causal learning
• Title（参考訳）: ゼロショット因果学習
• Authors: Hamed Nilforoshan, Michael Moor, Yusuf Roohani, Yining Chen, Anja \v{S}urina, Michihiro Yasunaga, Sara Oblak, Jure Leskovec
• Abstract要約: ゼロショット因果学習(ゼロショット因果学習)について考察する。 本稿では,各介入の効果をタスクとしてパーソナライズした予測を定式化する因果メタラーニングフレームワークであるCaMLを提案する。 介入情報(例えば、薬物の属性)と個々の特徴(例えば、患者の歴史)の両方を活用することで、CaMLは目に見えない介入のパーソナライズされた効果を予測することができる。
• 参考スコア（独自算出の注目度）: 64.13211853465488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting how different interventions will causally affect a specific individual is important in a variety of domains such as personalized medicine, public policy, and online marketing. However, most existing causal methods cannot generalize to predicting the effects of previously unseen interventions (e.g., a newly invented drug), because they require data for individuals who received the intervention. Here, we consider zero-shot causal learning: predicting the personalized effects of novel, previously unseen interventions. To tackle this problem, we propose CaML, a causal meta-learning framework which formulates the personalized prediction of each intervention's effect as a task. Rather than training a separate model for each intervention, CaML trains as a single meta-model across thousands of tasks, each constructed by sampling an intervention and individuals who either did or did not receive it. By leveraging both intervention information (e.g., a drug's attributes) and individual features (e.g., a patient's history), CaML is able to predict the personalized effects of unseen interventions. Experimental results on real world datasets in large-scale medical claims and cell-line perturbations demonstrate the effectiveness of our approach. Most strikingly, CaML zero-shot predictions outperform even strong baselines which have direct access to data of considered target interventions.
• Abstract（参考訳）: パーソナライズされた医療、公共政策、オンラインマーケティングなど様々な分野において、異なる介入が特定の個人に因果的にどのように影響するかを予測することは重要である。 しかし、既存のほとんどの因果的手法は、介入を受けた個人にデータを必要とするため、以前は目に見えない介入(例えば、新しく発明された薬物)の効果を予測するには一般化できない。 ここでは、ゼロショット因果学習(ゼロショット因果学習)について考察する。 この問題に対処するために,各介入の効果をタスクとしてパーソナライズした予測を定式化する因果メタラーニングフレームワークであるCaMLを提案する。 介入ごとに個別のモデルを訓練する代わりに、CaMLは何千ものタスクにまたがって単一のメタモデルとして訓練し、それぞれが介入をサンプリングして構築され、それを受け取らなかったり受け取らなかったりした。 介入情報(例えば、薬物の属性)と個々の特徴(例えば、患者の歴史)の両方を活用することで、CaMLは目に見えない介入のパーソナライズされた効果を予測することができる。 大規模医療クレームとセルライン摂動における実世界データセットの実験結果は,本手法の有効性を示している。 最も驚くべきことに、CaMLゼロショット予測は、検討対象の介入のデータに直接アクセスする強力なベースラインよりも優れています。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions [5.107614397012659]
  因果仲裁分析により、介入の直接効果と間接効果を区別することができる。 動的因果媒介分析への既存のアプローチは、通常の測定間隔に限られている。 本稿では,媒介者を時間点過程とみなす非パラメトリック媒介者-アウトカムモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-16T07:23:28Z)
• Counterfactual Neural Temporal Point Process for Estimating Causal Influence of Misinformation on Social Media [10.685717620191102]
  我々は、時間的視点プロセスの観点から、誤情報の因果効果をモデル化する因果的枠組みを構築した。 当社のモデルを、新型コロナウイルスワクチンに関するソーシャルメディア投稿とエンゲージメントの実際のデータセットに適用する。
  論文  参考訳（メタデータ） (2022-10-14T05:00:10Z)
• Undersmoothing Causal Estimators with Generative Trees [0.0]
  観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。 しかし、観測データからこれらの効果を推測することは困難である。 本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-03-16T11:59:38Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• 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)
• Impact of Interventional Policies Including Vaccine on Covid-19 Propagation and Socio-Economic Factors [0.7874708385247353]
  本研究の目的は、新型コロナウイルスの伝播と社会経済的影響をモデル化、予測、シミュレーションするための予測分析フレームワークを提供することである。 私たちは最近ローンチしたオープンソースのCOVID-19ビッグデータプラットフォームを活用し、公開研究を使用して潜在的に関連する変数を見つけました。 先進的な機械学習パイプラインは、現代的な機械学習アーキテクチャにデプロイされた自己進化モデルを用いて開発された。
  論文  参考訳（メタデータ） (2021-01-11T15:08:07Z)
• Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions [15.443178111068418]
  本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。 プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
  論文  参考訳（メタデータ） (2020-11-11T16:17:29Z)

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。