論文の概要: CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems

• arxiv url: http://arxiv.org/abs/2306.11216v1
• Date: Tue, 20 Jun 2023 00:50:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 16:01:02.706342
• Title: CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems
• Title（参考訳）: CF-GODE:マルチエージェント動的システムの連続時間因果推論
• Authors: Song Jiang, Zijie Huang, Xiao Luo, Yizhou Sun
• Abstract要約: マルチエージェント力学系における実測結果の予測方法について検討する。 時間的因果推論に関する既存の研究は、単位が互いに独立であるという仮定に依存している。 本稿では,因果モデルであるCounterFactual GraphODEを提案する。
• 参考スコア（独自算出の注目度）: 29.358010668392208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent dynamical systems refer to scenarios where multiple units interact with each other and evolve collectively over time. To make informed decisions in multi-agent dynamical systems, such as determining the optimal vaccine distribution plan, it is essential for decision-makers to estimate the continuous-time counterfactual outcomes. However, existing studies of causal inference over time rely on the assumption that units are mutually independent, which is not valid for multi-agent dynamical systems. In this paper, we aim to bridge this gap and study how to estimate counterfactual outcomes in multi-agent dynamical systems. Causal inference in a multi-agent dynamical system has unique challenges: 1) Confounders are time-varying and are present in both individual unit covariates and those of other units; 2) Units are affected by not only their own but also others' treatments; 3) The treatments are naturally dynamic, such as receiving vaccines and boosters in a seasonal manner. We model a multi-agent dynamical system as a graph and propose CounterFactual GraphODE (CF-GODE), a causal model that estimates continuous-time counterfactual outcomes in the presence of inter-dependencies between units. To facilitate continuous-time estimation, we propose Treatment-Induced GraphODE, a novel ordinary differential equation based on GNN, which incorporates dynamical treatments as additional inputs to predict potential outcomes over time. To remove confounding bias, we propose two domain adversarial learning based objectives that learn balanced continuous representation trajectories, which are not predictive of treatments and interference. We further provide theoretical justification to prove their effectiveness. Experiments on two semi-synthetic datasets confirm that CF-GODE outperforms baselines on counterfactual estimation. We also provide extensive analyses to understand how our model works.
• Abstract（参考訳）: マルチエージェント力学システムは、複数のユニットが相互に相互作用し、時間とともに集合的に進化するシナリオを指す。 最適ワクチン配布計画の決定など,マルチエージェントの動的システムにおいてインフォームドな意思決定を行うためには,意思決定者が継続的対実的な結果を評価することが不可欠である。 しかし、時間的因果推論の既存の研究は、単位が相互独立であるという仮定に依存しており、これはマルチエージェント力学系では有効ではない。 本稿では,このギャップを埋め,マルチエージェント力学系における実測結果の予測方法を検討することを目的とする。 マルチエージェント力学系における因果推論には独特の課題がある。 1) 共同設立者は,時間的変化があり,個々の単位と他の単位の両方に存在する。 2) 単位は,自己だけでなく,他者の治療にも影響される。 3) ワクチンやブースターを季節的に受け付けるなどの処理は自然に動的である。 本稿では,グラフとしてマルチエージェント力学系をモデル化し,単位間の相互依存の存在下での連続的対実結果を予測する因果モデルであるCounterFactual GraphODE (CF-GODE)を提案する。 連続時間推定を容易にするために,動的処理を付加入力として組み込んだGNNに基づく新しい常微分方程式である処理誘導グラフドを提案する。 共起バイアスを取り除くために,治療と干渉の予測ではない連続表現形容詞のバランスを学習する2つのドメイン敵学習に基づく目標を提案する。 さらに、その有効性を証明するための理論的正当性も提供します。 2つの半合成データセットの実験により、CF-GODEは反事実推定に基づくベースラインよりも優れていることが確認された。 モデルがどのように機能するかを理解するために、広範な分析も行います。

関連論文リスト

• FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
  同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。 本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
  論文  参考訳（メタデータ） (2024-05-23T13:37:26Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [49.992908221544624]
  時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。 従来の深層学習法は時系列計算に有効であることが示されている。 本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Random Feature Models for Learning Interacting Dynamical Systems [2.563639452716634]
  エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。 学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。 さらに,カーネル評価コストを削減し,マルチエージェントシステムのシミュレーションコストを大幅に削減する。
  論文  参考訳（メタデータ） (2022-12-11T20:09:36Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Estimating counterfactual treatment outcomes over time in complex multiagent scenarios [15.919561391684024]
  対実的長期予測を用いた個別治療効果(ITE)の推定は、そのような介入を評価するために実用的である。 本稿では,マルチエージェントシステムにおける解釈可能な,非実効的リカレントネットワークを提案し,介入の効果を推定する。
  論文  参考訳（メタデータ） (2022-06-04T04:04:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
  多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。 我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。 提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
  論文  参考訳（メタデータ） (2021-06-01T06:45:56Z)

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。