Estimating counterfactual treatment outcomes over time in complex multi-agent scenarios

要約

マルチエージェント システムにおける介入の評価（たとえば、いつ人間が自動運転システムに介入すべきか、プレーヤーがいつ良いショットを打つためにチームメイトにパスすべきかなど）は、さまざまな工学および科学分野で困難です。
このような介入を評価するには、反事実的な長期予測を使用して個人治療効果 (ITE) を推定することが実用的です。
しかし、従来のフレームワークのほとんどは、マルチエージェント関係の時間変化する複雑な構造や共変量の反事実予測を考慮していませんでした。
これは、ITE の誤った評価や解釈の困難につながる可能性があります。
ここでは、介入の効果を推定するために、マルチエージェントシステムにおける解釈可能で反事実的なリカレントネットワークを提案します。
私たちのモデルは、グラフ変分リカレント ニューラル ネットワークと、マルチエージェントの共変量と結果の長期予測に基づく ITE 推定フレームワークのドメイン知識を備えた理論ベースの計算を活用しており、介入が効果的である状況を確認できます。
時変交絡因子を含む自動運転車両と生物学的因子のシミュレートされたモデルでは、私たちの方法がベースラインよりも反事実共変量の推定誤差が低く、最も効果的な治療タイミングを達成したことを示します。
さらに、実際のバスケットボールのデータを使用して、私たちの方法は現実的な反事実予測を実行し、ショットシナリオでの反事実パスを評価しました。

要約(オリジナル)

Evaluation of intervention in a multi-agent system, e.g., when humans should intervene in autonomous driving systems and when a player should pass to teammates for a good shot, is challenging in various engineering and scientific fields. Estimating the individual treatment effect (ITE) using counterfactual long-term prediction is practical to evaluate such interventions. However, most of the conventional frameworks did not consider the time-varying complex structure of multi-agent relationships and covariate counterfactual prediction. This may lead to erroneous assessments of ITE and difficulty in interpretation. Here we propose an interpretable, counterfactual recurrent network in multi-agent systems to estimate the effect of the intervention. Our model leverages graph variational recurrent neural networks and theory-based computation with domain knowledge for the ITE estimation framework based on long-term prediction of multi-agent covariates and outcomes, which can confirm the circumstances under which the intervention is effective. On simulated models of an automated vehicle and biological agents with time-varying confounders, we show that our methods achieved lower estimation errors in counterfactual covariates and the most effective treatment timing than the baselines. Furthermore, using real basketball data, our methods performed realistic counterfactual predictions and evaluated the counterfactual passes in shot scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google