論文の概要: Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems

• arxiv url: http://arxiv.org/abs/2403.00178v1
• Date: Thu, 29 Feb 2024 23:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 18:45:37.055311
• Title: Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems
• Title（参考訳）: 因果グラフODE:マルチエージェント力学系における連続処理効果モデリング
• Authors: Zijie Huang, Jeehyun Hwang, Junkai Zhang, Jinwoo Baik, Weitong Zhang, Dominik Wodarz, Yizhou Sun, Quanquan Gu, Wei Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.84976977950075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world multi-agent systems are often dynamic and continuous, where the agents co-evolve and undergo changes in their trajectories and interactions over time. For example, the COVID-19 transmission in the U.S. can be viewed as a multi-agent system, where states act as agents and daily population movements between them are interactions. Estimating the counterfactual outcomes in such systems enables accurate future predictions and effective decision-making, such as formulating COVID-19 policies. However, existing methods fail to model the continuous dynamic effects of treatments on the outcome, especially when multiple treatments (e.g., "stay-at-home" and "get-vaccine" policies) are applied simultaneously. To tackle this challenge, we propose Causal Graph Ordinary Differential Equations (CAG-ODE), a novel model that captures the continuous interaction among agents using a Graph Neural Network (GNN) as the ODE function. The key innovation of our model is to learn time-dependent representations of treatments and incorporate them into the ODE function, enabling precise predictions of potential outcomes. To mitigate confounding bias, we further propose two domain adversarial learning-based objectives, which enable our model to learn balanced continuous representations that are not affected by treatments or interference. Experiments on two datasets (i.e., COVID-19 and tumor growth) demonstrate the superior performance of our proposed model.
• Abstract（参考訳）: 実世界のマルチエージェントシステムは、しばしば動的かつ連続的であり、エージェントが協調して軌道や時間とともに相互作用を変化させる。 例えば、米国でのCOVID-19感染は、国家がエージェントとして行動し、それらの間の日々の人口移動が相互作用するマルチエージェントシステムと見なすことができる。 このようなシステムにおける反事実的な結果の推定は、covid-19ポリシーの策定など、正確な将来の予測と効果的な意思決定を可能にする。 しかし、既存の方法は、特に複数の治療(例えば、"stay-at-home"や"get-vaccine"ポリシー)が同時に適用された場合に、結果に対する治療の継続的な動的効果をモデル化できない。 この課題に対処するために、我々は、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であるCausal Graph Ordinary Differential Equations (CAG-ODE)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。 統合バイアスを緩和するため,我々はさらに,治療や干渉の影響を受けないバランスのとれた連続表現を学習する2つのドメイン敵学習に基づく目標を提案する。 2つのデータセット(すなわち、COVID-19と腫瘍増殖)に対する実験は、提案モデルの優れた性能を示す。

関連論文リスト

• PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
  本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。 最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。 本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:04:47Z)
• 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)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• Generalizing Graph ODE for Learning Complex System Dynamics across Environments [33.63818978256567]
  GG-ODEは、環境全体にわたる継続的マルチエージェントシステムのダイナミクスを学習するための機械学習フレームワークである。 我々のモデルは、グラフニューラルネットワーク(GNN)によりパラメータ化されたニューラル常微分方程式(ODE)を用いてシステムダイナミクスを学習する。 様々な物理シミュレーション実験により,我々のモデルは,特に長距離において,システム力学を正確に予測できることが示されている。
  論文  参考訳（メタデータ） (2023-07-10T00:29:25Z)
• CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems [29.358010668392208]
  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。
  論文  参考訳（メタデータ） (2023-06-20T00:50:09Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• 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)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Neural Ordinary Differential Equations for Intervention Modeling [30.127870899307254]
  現実世界のシステムは、しばしばシステムダイナミクスの変化を引き起こす外部の介入を伴います。 ニューラルODEと最近の多くの変種は、観察と介入を個別に適切にモデル化しないため、そのような介入をモデル化するのに適していない。 本稿では、2つのODE関数を別々に処理し、外部介入の効果を適切にモデル化する新しいニューラルODEベースのアプローチ(IMODE)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T10:55:12Z)

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。