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

Peter Schulam, Suchi Saria|arXiv (Cornell University)|2017. 03. 30.

Statistical and Computational Modeling인용 수 7

한 줄 요약

이 논문은 표시된 점 과정와 대체 식별성 가정을 사용하여 연속 시간 궤적을 위한 반사적 가우시안 프로세스 모델을 제안한다. 이는 시뮬레이션된 간섭 조건 하에서 시간적 시계열 결과가 어떻게 변화할지 예측할 수 있게 해주며, 윤리적으로나 실험적으로 어려운 의료 환경에서 비실험적 추론을 가능하게 한다. 질병 궤적 예측 및 개인 맞춤형 치료 계획 수립에서 향상된 성능을 보였다.

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.

연구 동기 및 목표

• 랜덤화 실험을 시행하기가 윤리적이거나 실현 가능하지 않은 분야에서 연속 시간 시계열에 대한 반사적 추론을 가능하게 하기 위해.
• 기본 식별성 가정이 실패하는 연속 시간 데이터에 잠재 결과 프레임워크를 적용하는 데 도전하는 것.
• 약물 투여와 같은 시간에 따라 변화하는 행동 시퀀스에 따라 궤적이 어떻게 변화할지 예측할 수 있는 모델을 개발하기 위해.
• 질병 진행 및 치료 계획 수립을 포함한 실제 의료 과제에서 모델을 평가하기 위해.

제안 방법

• 모델은 연속 시간에서의 간섭을 표현하기 위해 표시된 점 과정을 사용하여 행동의 시기와 성격을 포착한다.
• 가우시안 프로세스와 표시된 점 과정을 조합하여 가상의 간섭 조건 하에서의 반사적 궤적을 모델링한다.
• 표준 조건부 무시 가능성을 대체하기 위해 연속 시간 관찰 데이터로부터 학습할 수 있도록 하는 대체 식별성 가정을 도입한다.
• 네이먼-루빈 잠재 결과 모델에 기반한 확률적 프레임워크를 사용하여 간섭력 역사를 통합함으로써 잠재 결과를 추정한다.
• 연속 시간 간섭에서 발생하는 적분이 계산이 불가능하기 때문에 변분 근사를 통해 추론를 수행한다.
• 다양한 가상의 치료 시퀀스 하에서 궤적을 예측함으로써 순차적 간섭 계획 수립을 지원한다.

실험 결과

연구 질문

• RQ1 관찰 데이터만을 기반으로 하여 다른 치료 시퀀스가 적용되었을 경우 환자의 질병 궤적이 어떻게 변화할지 정확하게 예측할 수 있는가?
• RQ2 표준 무시 가능 가정이 성립하지 않는 연속 시간 환경에 잠재 결과 프레임워크를 어떻게 적응시킬 수 있는가?
• RQ3 연속 시간 관찰 시계열에서 반사적 분포를 식별하기 위해 충분한 대체 가정은 무엇인가?
• RQ4 의료 응용 분야에서 제안된 모델이 기준 모델 대비 반사적 결과 예측 성능이 얼마나 우수한가?

주요 결과

• 제안된 모델은 간섭 시점의 연속 시간 특성을 고려하지 않는 기준 모델에 비해 질병 궤적 데이터에서 더 높은 반사적 예측 정확도를 달성한다.
• 모델은 시뮬레이션된 의료 환경에서 가상의 치료 시퀀스 하에서 반사적 궤적을 성공적으로 학습하여 개인 맞춤형 치료 계획 수립을 가능하게 한다.
• 논문에서 도입된 대체 식별성 가정은 연속 시간에서의 반사적 추론을 가능하게 하여 기존 접근법의 한계를 극복한다.
• 복잡하고 시간에 따라 변화하는 간섭 시퀀스에 대해서도 결과 예측에서 뛰어난 강건성을 보이며, 이산적 또는 정적 간섭을 가정하는 모델보다 성능이 뛰어나다.
• 두 가지 실제 의료 과제에 대한 경험적 평가를 통해 모델은 실험 데이터 없이도 신뢰할 수 있는 반사적 예측을 생성할 수 있음을 확인했다.