論文の概要: Predicting perturbation targets with causal differential networks

• arxiv url: http://arxiv.org/abs/2410.03380v1
• Date: Fri, 4 Oct 2024 12:48:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 22:39:00.402665
• Title: Predicting perturbation targets with causal differential networks
• Title（参考訳）: 因果微分ネットワークによる摂動目標予測
• Authors: Menghua Wu, Umesh Padia, Sean H. Murphy, Regina Barzilay, Tommi Jaakkola,
• Abstract要約: 我々は、因果グラフを観察および介入データセットから推定するために、償却因果探索モデルを用いる。 我々は、これらのペアグラフを、教師付き学習フレームワークで介入された変数の集合にマッピングすることを学ぶ。 このアプローチは、7つのシングルセルトランスクリプトミクスデータセットの摂動モデリングのベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 23.568795598997376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rationally identifying variables responsible for changes to a biological system can enable myriad applications in disease understanding and cell engineering. From a causality perspective, we are given two datasets generated by the same causal model, one observational (control) and one interventional (perturbed). The goal is to isolate the subset of measured variables (e.g. genes) that were the targets of the intervention, i.e. those whose conditional independencies have changed. Knowing the causal graph would limit the search space, allowing us to efficiently pinpoint these variables. However, current algorithms that infer causal graphs in the presence of unknown intervention targets scale poorly to the hundreds or thousands of variables in biological data, as they must jointly search the combinatorial spaces of graphs and consistent intervention targets. In this work, we propose a causality-inspired approach for predicting perturbation targets that decouples the two search steps. First, we use an amortized causal discovery model to separately infer causal graphs from the observational and interventional datasets. Then, we learn to map these paired graphs to the sets of variables that were intervened upon, in a supervised learning framework. This approach consistently outperforms baselines for perturbation modeling on seven single-cell transcriptomics datasets, each with thousands of measured variables. We also demonstrate significant improvements over six causal discovery algorithms in predicting intervention targets across a variety of tractable, synthetic datasets.
• Abstract（参考訳）: 生物学的システムの変更に関与する変数を相対的に同定することで、病気の理解や細胞工学における無数の応用が可能になる。 因果関係の観点から、同じ因果関係モデルによって生成された2つのデータセット、観察的(制御)と介入的(摂動)が与えられる。 目的は、介入の標的である測定変数(eg遺伝子)のサブセットを分離することである。 因果グラフを知ることは、探索空間を制限し、これらの変数を効率的に特定することを可能にする。 しかしながら、未知の介入目標が存在する場合、因果グラフを推定する現在のアルゴリズムは、グラフの組合せ空間と一貫した介入目標を共同で探索する必要があるため、生物学的データ中の数百から数千の変数に不適切にスケールする。 本研究では,2つの探索ステップを分離する摂動目標の予測に因果性に着想を得たアプローチを提案する。 まず, 因果グラフを観察データと介入データから別々に推定するために, 償却因果探索モデルを用いる。 そして、これらのペアグラフを、教師付き学習フレームワークにおいて、介入された変数の集合にマッピングすることを学ぶ。 このアプローチは、数千の変数を持つ7つのシングルセルトランスクリプトミクスデータセットの摂動モデリングのベースラインを一貫して上回る。 また、6つの因果探索アルゴリズムに対して、様々な抽出可能な合成データセットの介入目標を予測することで、大幅な改善を示す。

関連論文リスト

• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• 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)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-19T13:26:33Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• 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)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。