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

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

Statistical and Computational Modeling被引用 7

一句话总结

本文提出了一种基于标记点过程和替代可识别性假设的反事实高斯过程模型，用于连续时间轨迹，能够预测在假设性干预下时间序列结果的变化。该方法可在医疗环境中实现伦理且非实验性的推断，在疾病轨迹预测和个性化治疗规划方面表现出更优的性能。

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.

研究动机与目标

• 在随机实验不道德或不可行的领域中，实现对连续时间序列的反事实推理。
• 解决将潜在结果框架应用于标准可识别性假设失效的连续时间数据时所面临的挑战。
• 开发一种模型，以预测在不同行动序列（如随时间变化的药物剂量）作用下轨迹将如何演变。
• 在涉及疾病进展和治疗规划的真实世界医疗任务上评估该模型。

提出的方法

• 该模型使用标记点过程来表示连续时间中的干预，捕捉行动的时间和性质。
• 通过将高斯过程与标记点过程结合，对假设性干预下的反事实轨迹进行建模。
• 引入替代可识别性假设，以实现从连续时间观察数据中学习，替代标准的条件不可忽略性假设。
• 通过基于Neyman-Rubin潜在结果模型的概率框架，对干预历史进行积分，以估计潜在结果。
• 通过变分近似进行推断，以处理由连续时间干预引起的不可计算积分。
• 该框架通过预测多种假设性治疗序列下的轨迹，支持顺序干预规划。

实验结果

研究问题

• RQ1 我们能否仅基于观察数据，准确预测若患者接受不同治疗序列，其疾病轨迹将如何变化？
• RQ2 我们如何将潜在结果框架适配到标准不可忽略性假设不成立的连续时间场景中？
• RQ3 在连续时间、观察性时间序列中，哪些替代假设足以识别反事实分布？
• RQ4 与基线模型相比，该模型在医疗应用中预测反事实结果的表现如何？

主要发现

• 与未考虑连续时间干预时机的基线模型相比，所提出的模型在疾病轨迹数据上实现了更高的反事实预测准确性。
• 该模型成功学习了在假设性治疗序列下的反事实轨迹，从而在模拟医疗场景中实现了个性化治疗规划。
• 本文引入的替代可识别性假设足以在连续时间中实现反事实推断，克服了标准方法的局限性。
• 该方法在预测复杂、时变干预序列的结果方面表现出鲁棒性，优于假设干预为离散或静态的模型。
• 在两个医疗任务上的实证评估证实，该模型能够在无需实验数据的情况下生成可靠的反事实预测。