論文の概要: Controllable Sequence Editing for Biological and Clinical Trajectories
- arxiv url: http://arxiv.org/abs/2502.03569v2
- Date: Tue, 03 Jun 2025 12:06:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 04:22:50.4889
- Title: Controllable Sequence Editing for Biological and Clinical Trajectories
- Title（参考訳）: 生体・臨床軌道の制御可能なシーケンス編集
- Authors: Michelle M. Li, Kevin Li, Yasha Ektefaie, Ying Jin, Yepeng Huang, Shvat Messica, Tianxi Cai, Marinka Zitnik,
- Abstract要約: 本稿では,即時および遅延効果の条件付き生成のための制御可能なシーケンス編集モデルであるCLEFを紹介する。
CLEFは、条件が将来のシーケンスの進化をどのように、いつ変更するかをエンコードする時間的概念を学習する。
以前のモデルとは異なり、CLEFは任意の将来時間で1ステップの条件生成を可能にし、遅延シーケンス編集において最大65.71%の高速化を実現している。
- 参考スコア（独自算出の注目度）: 13.932376714411921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conditional generation models for longitudinal sequences can generate new or modified trajectories given a conditioning input. While effective at generating entire sequences, these models typically lack control over the timing and scope of the edits. Most existing approaches either operate on univariate sequences or assume that the condition affects all variables and time steps. However, many scientific and clinical applications require more precise interventions, where a condition takes effect only after a specific time and influences only a subset of variables. We introduce CLEF, a controllable sequence editing model for conditional generation of immediate and delayed effects in multivariate longitudinal sequences. CLEF learns temporal concepts that encode how and when a condition alters future sequence evolution. These concepts allow CLEF to apply targeted edits to the affected time steps and variables while preserving the rest of the sequence. We evaluate CLEF on 6 datasets spanning cellular reprogramming and patient health trajectories, comparing against 9 state-of-the-art baselines. CLEF improves immediate sequence editing accuracy by up to 36.01% (MAE). Unlike prior models, CLEF enables one-step conditional generation at arbitrary future times, outperforming them in delayed sequence editing by up to 65.71% (MAE). We test CLEF under counterfactual inference assumptions and show up to 63.19% (MAE) improvement on zero-shot conditional generation of counterfactual trajectories. In a case study of patients with type 1 diabetes mellitus, CLEF identifies clinical interventions that generate realistic counterfactual trajectories shifted toward healthier outcomes.
- Abstract（参考訳）: 縦列の条件生成モデルは、条件入力が与えられたときに新しいまたは修正された軌跡を生成することができる。
シーケンス全体を生成するのに効果的だが、これらのモデルは通常、編集のタイミングとスコープを制御できない。
既存のほとんどのアプローチは単変量列で操作するか、条件がすべての変数と時間ステップに影響を与えると仮定する。
しかし、多くの科学的、臨床的応用はより正確な介入を必要とし、ある条件は特定の時間後にのみ有効となり、変数のサブセットにのみ影響する。
多変量長周期列における即時および遅延効果の条件付き生成のための制御可能なシーケンス編集モデルであるCLEFを導入する。
CLEFは、条件が将来のシーケンスの進化をどのように、いつ変更するかをエンコードする時間的概念を学習する。
これらの概念により、CLEFは影響のある時間ステップと変数に対してターゲットの編集を適用でき、残りのシーケンスを保存できる。
細胞リプログラミングと患者健康トラジェクトリにまたがる6つのデータセット上でCLEFを評価し,9つの最先端ベースラインと比較した。
CLEFは直列編集の精度を最大36.01%向上させる。
以前のモデルとは異なり、CLEFは任意の将来時間で一段階の条件付き生成を可能にし、遅延シーケンス編集において最大65.71%(MAE)の高速化を実現している。
提案手法は, ゼロショット条件付き軌道生成において最大63.19%(MAE)の改善が得られた。
1型糖尿病患者のケーススタディでは、CLEFは、より健康的な結果に移行した現実的な対物軌道を発生させる臨床介入を特定する。
関連論文リスト
- Using Time Structure to Estimate Causal Effects [12.658042559371712]
時系列設定における直接(およびライトの経路規則全体を通して)因果効果を推定するための新しいアプローチを提案する。
このアプローチは、基礎となる時系列が構造ベクトル自己回帰過程であると仮定する。
論文 参考訳（メタデータ） (2025-04-15T11:21:37Z) - 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) - XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications [23.946633955844423]
非安全ケアに関連する副作用は、米国での死因のトップ10に入る。
イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。
本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
論文 参考訳（メタデータ） (2024-02-03T20:33:39Z) - 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) - 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。