論文の概要: Controllable Sequence Editing for Counterfactual Generation

• arxiv url: http://arxiv.org/abs/2502.03569v1
• Date: Wed, 05 Feb 2025 19:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:29:27.417472
• Title: Controllable Sequence Editing for Counterfactual Generation
• Title（参考訳）: 逆生成のための制御可能なシーケンス編集
• Authors: Michelle M. Li, Kevin Li, Yasha Ektefaie, Shvat Messica, Marinka Zitnik,
• Abstract要約: シーケンスモデルは、与えられた条件に基づいてシーケンスの一部を変更することで、カウンターファクトアルを生成する。 CLEFは、即時および遅延効果の両方に関する反実的推論のための制御可能なシーケンス編集モデルである。
• 参考スコア（独自算出の注目度）: 10.670059731947854
• License:
• Abstract: Sequence models generate counterfactuals by modifying parts of a sequence based on a given condition, enabling reasoning about "what if" scenarios. While these models excel at conditional generation, they lack fine-grained control over when and where edits occur. Existing approaches either focus on univariate sequences or assume that interventions affect the entire sequence globally. However, many applications require precise, localized modifications, where interventions take effect only after a specified time and impact only a subset of co-occurring variables. We introduce CLEF, a controllable sequence editing model for counterfactual reasoning about both immediate and delayed effects. CLEF learns temporal concepts that encode how and when interventions should influence a sequence. With these concepts, CLEF selectively edits relevant time steps while preserving unaffected portions of the sequence. We evaluate CLEF on cellular and patient trajectory datasets, where gene regulation affects only certain genes at specific time steps, or medical interventions alter only a subset of lab measurements. CLEF improves immediate sequence editing by up to 36.01% in MAE compared to baselines. Unlike prior methods, CLEF enables one-step generation of counterfactual sequences at any future time step, outperforming baselines by up to 65.71% in MAE. A case study on patients with type 1 diabetes mellitus shows that CLEF identifies clinical interventions that shift patient trajectories toward healthier outcomes.
• Abstract（参考訳）: シーケンスモデルは、与えられた条件に基づいてシーケンスの一部を変更することで反ファクトアルを生成し、"What if"シナリオに関する推論を可能にする。 これらのモデルは条件生成時に優れるが、いつどこで編集されるのかを細かく制御することができない。 既存のアプローチでは、ユニバリケートシーケンスに焦点を当てるか、介入が全シーケンスに影響を与えると仮定する。 しかし、多くのアプリケーションは正確な局所的な修正を必要としており、介入は特定の時間後にのみ有効であり、共起変数のサブセットにのみ影響する。 CLEFは、即時および遅延効果の両方に関する反実的推論のための制御可能なシーケンス編集モデルである。 CLEFは、どのように、いつ介入がシーケンスに影響を与えるべきかを符号化する時間的概念を学ぶ。 これらの概念により、CLEFは関連する時間ステップを選択的に編集し、シーケンスの未影響部分を保存する。 遺伝子制御が特定の時間ステップにおける特定の遺伝子のみに影響を及ぼす場合や、医療介入が実験室測定のサブセットだけを変える場合において、CLEFを細胞および患者軌跡データセット上で評価する。 CLEFは、ベースラインと比較して、MAEの即時シーケンス編集を最大36.01%改善する。 従来の方法とは異なり、CLEFは将来のステップで1段階の逆ファクトシークエンスを生成でき、ベースラインを65.71%まで上回っている。 1型糖尿病患者のケーススタディでは、CLEFは患者の軌道を健康的な結果へとシフトさせる臨床介入を特定する。

関連論文リスト

• Structured Learning of Compositional Sequential Interventions [5.8613343090506556]
  我々は、各ユニットが時間の経過とともに介入の組み合わせに晒される、逐次的な治療体制について考察する。 標準ブラックボックスアプローチは、分類変数の列を出力にマッピングする。 構成の明示的なモデル、すなわち、逐次的介入の効果をモジュールに分離する方法を示す。
  論文  参考訳（メタデータ） (2024-06-09T11:36:36Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [3.662229789022107]
  時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。 我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。 我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
  論文  参考訳（メタデータ） (2023-10-16T16:32:35Z)
• Zero-shot causal learning [64.9368337542558]
  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。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Counterfactual inference for sequential experiments [17.817769460838665]
  複数の単位に複数の時間点に対する処理を割り当てるシーケンシャルな設計実験のアフタースタディ統計的推測を考察する。 我々のゴールは、最小限のスケールで、カウンターファクト平均に対する推論保証を提供することです。 我々は,いくつかのシミュレーションと,モバイル医療臨床試験HeartStepsのデータを含むケーススタディを通して,我々の理論を解説する。
  論文  参考訳（メタデータ） (2022-02-14T17:24:27Z)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)

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。