論文の概要: Zero-shot causal learning
- arxiv url: http://arxiv.org/abs/2301.12292v4
- Date: Fri, 23 Feb 2024 00:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 18:48:08.586138
- 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: CaMLは因果メタラーニングフレームワークであり、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。
トレーニング時に存在しない新規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ことを示す。
- 参考スコア(独自算出の注目度): 64.9368337542558
- 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. There are a large number of methods to
predict the effect of an existing intervention based on historical data from
individuals who received it. However, in many settings it is important to
predict the effects of novel interventions (e.g., a newly invented drug), which
these methods do not address. Here, we consider zero-shot causal learning:
predicting the personalized effects of a novel intervention. We propose CaML, a
causal meta-learning framework which formulates the personalized prediction of
each intervention's effect as a task. CaML trains a single meta-model across
thousands of tasks, each constructed by sampling an intervention, its
recipients, and its nonrecipients. 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 novel
interventions that do not exist at the time of training. Experimental results
on real world datasets in large-scale medical claims and cell-line
perturbations demonstrate the effectiveness of our approach. Most strikingly,
\method's zero-shot predictions outperform even strong baselines trained
directly on data from the test 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。
既往の介入の効果を予測する方法は,それを受けた個人からの履歴データに基づいて多数存在する。
しかし、多くの場面において、これらの方法が対処しない新しい介入(例えば、新しく発明された薬物)の効果を予測することが重要である。
ここではゼロショット因果学習を考察し,新しい介入のパーソナライズ効果を予測する。
タスクとして各介入の効果のパーソナライズされ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。
camlは、何千ものタスクにまたがる単一のメタモデルを訓練し、それぞれが介入、受取人、および非応答をサンプリングして構築する。
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はトレーニング時に存在しない新規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、\methodのゼロショット予測は、テスト介入のデータに基づいて直接トレーニングされた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
- Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。
まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。
本稿では,実証的リスク最小化法(DEM)を提案する。
論文 参考訳(メタデータ) (2025-02-10T10:52:17Z) - Identifying perturbation targets through causal differential networks [23.568795598997376]
本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。
まず、観測データと干渉データからノイズの多い因果グラフを推定する。
次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
論文 参考訳(メタデータ) (2024-10-04T12:48:21Z) - 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) - 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) - 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。