[論文レビュー] What-If Reasoning with Counterfactual Gaussian Processes

Peter Schulam, Suchi Saria|arXiv (Cornell University)|Mar 30, 2017

Statistical and Computational Modeling被引用数 7

ひとこと要約

本稿では、マーク付き点過程と代替の識別可能性仮定を用いて、連続時間の軌道に対する反事後ガウス過程モデルを提案する。このモデルにより、仮想の介入のもとで時系列の結果がどのように変化するかを予測できる。本手法は、医療分野における倫理的で実験的でない推論を可能にし、疾患の進行予測や個別化された治療計画において、優れた性能を示している。

ABSTRACT

Answering What if? questions is important in many domains. For example, would a patient's disease progression slow down if I were to give them a dose of drug A? Ideally, we answer our question using an experiment, but this is not always possible (e.g., it may be unethical). As an alternative, we can use non-experimental data to learn models that make counterfactual predictions of what we would observe had we run an experiment. In this paper, we propose a model to make counterfactual predictions about how continuous-time trajectories (time series) respond to sequences of actions taken in continuous-time. We develop our model within the potential outcomes framework of Neyman and Rubin. One challenge is that the assumptions commonly made to learn potential outcome (counterfactual) models from observational data are not applicable in continuous-time as-is. We therefore propose a model using marked point processes and Gaussian processes, and develop alternative assumptions that allow us to learn counterfactual models from continuous-time observational data. We evaluate our approach on two tasks from health care: disease trajectory prediction and personalized treatment planning.

研究の動機と目的

• 無作為化実験が倫理的または現実的でない分野において、連続時間の時系列に対する反事後的推論を可能にすること。
• 標準的な識別可能性仮定が失敗する連続時間データに、潜在的結果フレームワークを適用する課題に対処すること。
• 薬物投与の時間的経過のような、仮想の行動系列のもとで、軌道がどのように変化するかを予測するモデルの開発。
• 疾患の進行と治療計画を含む、現実の医療タスクにおけるモデルの評価。

提案手法

• モデルは、介入のタイミングと性質を捉えるために、マーク付き点過程を用いる。
• ガウス過程とマーク付き点過程を組み合わせ、仮想の介入のもとでの反事後的軌道をモデル化する。
• 標準的な条件付き無視可能性を置き換えるために、代替の識別可能性仮定を導入し、観察された連続時間データからの学習を可能にする。
• ネイマン＝ルビンの潜在的結果モデルに基づく確率的枠組みを用いて、介入履歴の統合により潜在的結果を推定する。
• 連続時間の介入に起因する積分が計算不能であるため、変分近似を用いて推論を実行する。
• 複数の仮想的治療系列のもとでの軌道予測を可能にするため、逐次的介入計画をサポートする。

実験結果

リサーチクエスチョン

• RQ1 観察データのみに基づいて、異なる治療系列が与えられた場合に患者の疾患軌道がどのように変化するかを正確に予測できるか。
• RQ2 標準的な無視可能性仮定が成立しない連続時間設定において、潜在的結果フレームワークをどのように適応できるか。
• RQ3 連続時間の観察的時系列において、反事後分布を同定するために十分な代替仮定は何か。
• RQ4 提案されたモデルは、医療応用においてベースラインと比較して、反事後結果の予測においてどの程度の性能を示すか。

主な発見

• 連続時間の介入タイミングを考慮しないベースラインモデルとは異なり、本モデルは疾患軌道データにおいて、反事後予測の精度が向上している。
• 本モデルは、仮想の治療系列のもとでの反事後的軌道を効果的に学習でき、シミュレートされた医療シナリオにおける個別化された治療計画を可能にしている。
• 本稿で導入された代替識別可能性仮定は、標準的手法の制限を克服するために、連続時間における反事後推論を可能にするのに十分である。
• 複雑で時間的に変化する介入系列に対しても、本手法は予測の堅牢性を示し、離散的または静的介入を仮定するモデルを上回っている。
• 2つの医療タスクにおける実験的評価により、本モデルは実験データを一切必要とせず、信頼性の高い反事後予測を生成できることを確認した。