[论文解读] What-If Reasoning using Counterfactual Gaussian Processes

Peter Schulam, Suchi Saria|arXiv (Cornell University)|Jan 1, 2017

Gaussian Processes and Bayesian Inference被引用 4

一句话总结

本文提出了反事实高斯过程（CGP），一种利用观测数据学习连续时间时间序列在假设性干预下的反事实轨迹的模型。该模型采用潜在结果框架与联合最大似然训练，无需实验试验即可建模自然疾病进展并评估治疗效果（如透析类型）。

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.

研究动机与目标

• 解决在随机实验不道德或不可行的领域（如临床医学）中回答“如果……会怎样？”问题的挑战。
• 仅使用观测数据，对未观测到的干预下连续时间生物标志物数据的反事实轨迹进行建模。
• 从观测时间序列数据中学习疾病的自然（未治疗）进展过程。
• 通过预测不同治疗序列（如透析方案）下的结果，支持医疗决策制定。

提出的方法

• 模型基于Neyman-Rubin潜在结果框架构建，以形式化反事实推理。
• 使用高斯过程对不同动作序列下结果的连续时间轨迹进行建模。
• 采用联合最大似然目标，以在训练数据中考虑观测动作与结果之间的依赖关系。
• 通过条件化于观测轨迹和动作序列，模型同时学习自然进展与假设性干预的影响。
• 通过推断训练数据中不存在的替代动作序列下的结果，生成反事实预测。
• 该方法支持端到端训练，联合优化事实与反事实一致性。

实验结果

研究问题

• RQ1 CGP能否仅从纯观测数据中准确恢复生物标志物轨迹的自然进展？
• RQ2 CGP在不同假设性治疗序列（如不同透析类型）下预测反事实结果的能力如何？
• RQ3 该模型在观测时间序列中对动作与结果之间的混杂因素的控制程度如何？
• RQ4 CGP能否通过模拟未尝试的干预效果来支持临床决策制定？

主要发现

• CGP成功从观测数据中学习到生物标志物轨迹的自然（未治疗）进展，实现了无需干预的疾病建模。
• 该模型在不同假设性透析方案下生成了合理的反事实轨迹，支持肾病护理中的医疗决策支持。
• 通过联合建模动作与结果，CGP有效调整了观测时间序列中的混杂因素，提高了反事实预测的准确性。
• 该框架能够在实验数据不可用的情况下，可靠地模拟连续时间的“如果……会怎样”情景。