[논문 리뷰] What-If Reasoning using Counterfactual Gaussian Processes

Peter Schulam, Suchi Saria|arXiv (Cornell University)|2017. 01. 01.

Gaussian Processes and Bayesian Inference인용 수 4

한 줄 요약

이 논문은 관찰 데이터를 사용하여 가정적 간섭 하에서 연속 시간 시계열의 반사적 궤적을 학습하는 모델인 반사적 가우시안 프로세스(CGP)를 제안한다. 이 모델은 잠재 결과 프레임워크와 공동 최대우도 학습을 활용하여 실험적 시험을 필요로 하지 않고도 자연적인 질환 진행 상황을 모델링하고, 흡착 치료 방법과 같은 치료 효과를 평가한다.

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 the counterfactual GP, a counterfactual model of continuous-time trajectories (time series) under sequences of actions taken in continuous-time. We develop our model within the potential outcomes framework of Neyman and Rubin. The counterfactual GP is trained using a joint maximum likelihood objective that adjusts for dependencies between observed actions and outcomes in the training data. We report two sets of experimental results using the counterfactual GP. The first shows that it can be used to learn the natural progression (i.e. untreated progression) of biomarker trajectories from observational data. In the second, we show how the CGP can be used for medical decision support by learning counterfactual models of renal health under different types of dialysis.

연구 동기 및 목표

• 임의의 실험을 시행하기에 윤리적이거나 실현 가능하지 않은 분야, 예를 들어 임상의학에서 '만약에' 질문에 답하는 데 도전하는 것.
• 관찰 데이터만을 사용하여 관측되지 않은 간섭 하에서 연속 시간 생체지표 데이터의 반사적 궤적을 모델링하는 것.
• 관찰 시간 시계열 데이터로부터 자연적(치료되지 않은) 질환 진행 상황을 학습하는 것.
• 다양한 치료 순서, 예를 들어 흡착 요법 계획에 따라 예측된 결과를 통해 의료 결정 지원을 하는 것.

제안 방법

• 모델은 반사적 추론를 체계화하기 위해 네이먼-루빈 잠재 결과 프레임워크 내에서 구축된다.
• 가우시안 프로세스를 사용하여 다양한 행동 시퀀스 하에서 결과의 연속 시간 궤적을 모델링한다.
• 학습 데이터에서 관측된 행동과 결과 간의 의존성을 고려하기 위해 공동 최대우도 목적함수를 사용한다.
• 관측된 궤적과 행동 시퀀스에 조건을 두어 자연 진행 상황과 가정적 간섭의 영향을 동시에 학습한다.
• 학습 데이터에 존재하지 않는 대체 행동 시퀀스 하에서 결과를 추론함으로써 반사적 예측을 생성한다.
• 사실과 반사적 일致성을 동시에 최적화하는 엔드 투 엔드 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 CGP는 순수하게 관찰 데이터로부터 생체지표 궤적의 자연적 진행 상황을 정확히 복원할 수 있는가?
• RQ2 CGP는 다양한 가정적 치료 시퀀스, 예를 들어 다양한 흡착 유형에 대해 반사적 결과를 얼마나 잘 예측할 수 있는가?
• RQ3 CGP는 관찰 시간 시계열에서 행동과 결과 간의 혼동 요인을 어느 정도 고려하는가?
• RQ4 CGP는 시행되지 않은 간섭의 효과를 시뮬레이션함으로써 임상 의사결정 지원을 가능하게 하는가?

주요 결과

• CGP는 실험적 간섭 없이도 관찰 데이터로부터 생체지표 궤적의 자연적(치료되지 않은) 진행 상황을 성공적으로 학습하여 질병의 진행을 정확히 모델링할 수 있다.
• 모델은 다양한 가정적 흡착 요법 계획 하에서 신뢰할 수 있는 반사적 궤적을 생성하여 신장 치료 분야의 의료 결정 지원을 뒷받침한다.
• 행동과 결과를 공동으로 모델링함으로써 CGP는 관찰 시간 시계열에서 혼동 요인을 효과적으로 보정하여 반사적 예측 정확도를 향상시킨다.
• 실험 데이터가 없더라도 연속 시간에서 '만약에' 시나리오를 신뢰성 있게 시뮬레이션할 수 있는 프레임워크를 제공한다.