論文の概要: Human-Guided Causal Knowledge Injection for Virtual Cells

• arxiv url: http://arxiv.org/abs/2608.08430v1
• Date: Sun, 09 Aug 2026 03:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.823723
• Title: Human-Guided Causal Knowledge Injection for Virtual Cells
• Title（参考訳）: 仮想細胞に対するヒューマンガイド型因果知識注入
• Abstract要約: 仮想細胞に因果グラフを注入すると解釈性が向上するが、そのようなグラフは通常現実世界のアプリケーションでは利用できない。 仮想細胞に対するヒューマンガイド型因果知識注入法を提案する。
• 参考スコア（独自算出の注目度）: 29.970142871278473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual cells employ machine learning models to simulate and predict cellular behaviors, serving as a critical computational framework for investigating health and disease. Injecting causal graphs into virtual cells can improve the interpretability, but such graphs are usually not available in real-world applications. Recently, many methods have been proposed to construct causal graphs from data, which group genes based on their similarities to form concepts and extract their causal relationships. However, since this automatic process is unsupervised, the causal graphs usually contain errors. In this paper, we propose a human-guided causal knowledge injection method for virtual cells. We developed a gene-similarity-aware causal graph visualization supported by a hybrid optimization algorithm to help explore both the causal relationships between concepts and the similarities between genes. Based on the exploration, we further developed a counterfactual analysis strategy supported by a counterfactual visualization and a causal path visualization to help validate and refine causal graphs. The effectiveness of our method is demonstrated through two real-world case studies, the extraction of scientifically meaningful causal insights, and positive feedback from domain experts.
• Abstract（参考訳）: 仮想細胞は、細胞挙動をシミュレートし、予測するために機械学習モデルを使用し、健康と病気を研究するための重要な計算フレームワークとして機能する。 仮想細胞に因果グラフを注入すると解釈性が向上するが、そのようなグラフは通常現実世界のアプリケーションでは利用できない。 近年,データから因果グラフを構築する手法が多数提案されており,その類似性に基づいて遺伝子をグループ化し,概念を定式化し,因果関係を抽出する手法が提案されている。 しかし、この自動処理は教師なしであるため、因果グラフは通常エラーを含む。 本稿では,仮想細胞に対する人間誘導型因果知識注入法を提案する。 我々は、遺伝子間の因果関係と遺伝子間の類似性の両方を探索するために、ハイブリッド最適化アルゴリズムによって支援された遺伝子類似性を考慮した因果グラフ可視化を開発した。 本研究は, 因果グラフの検証と精査を支援するために, さらに, 因果グラフの可視化と因果経路の可視化に支援された逆因果解析戦略を開発した。 本手法の有効性は,2つの実世界のケーススタディ,科学的に意味のある因果的洞察の抽出,ドメインエキスパートからの肯定的なフィードバックを通じて実証される。

関連論文リスト

• Causal Graph Neural Networks for Healthcare [2.446787923076599]
  因果グラフニューラルネットワークは、分布シフト、差別、調査可能性の三つの危機に対処する。 本稿では, 構造因果モデル, 絡み合った因果表現学習, およびグラフ上の介入予測と反実的推論のための手法の方法論的基礎について検討する。
  論文  参考訳（メタデータ） (2025-11-04T12:34:46Z)
• Causal Discovery in Recommender Systems: Example and Discussion [3.013819656993265]
  因果関係は人工知能と機械学習のコミュニティから注目を集めている。 本稿では,因果グラフを用いたレコメンデータシステム問題のモデル化例を示す。
  論文  参考訳（メタデータ） (2024-09-16T13:31:04Z)
• Visual Analysis of Multi-outcome Causal Graphs [21.406338910685232]
  結果変数の異なる複数の因果グラフの視覚的解析法,すなわちマルチアウトカム因果グラフを提案する。 分析過程の異なる段階における2つの比較可視化手法を考案するため,我々は医療専門家と共同で研究を行った。
  論文  参考訳（メタデータ） (2024-07-31T08:44:34Z)
• 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)
• Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective [15.162584339143239]
  グラフコントラスト学習(Graph contrastive learning)は、グラフの様々な摂動から不変情報を捉えるのに優れた一般的な学習パラダイムである。 最近の研究は、グラフから構造的理性を探究することに集中し、不変情報の識別可能性を高める。 本稿では,学習可能な次元理性獲得ネットワークと冗長性低減制約を導入した,次元理性対応グラフコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-16T10:05:18Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• 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)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)

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。