Semi-Supervised Learning for Deep Causal Generative Models

要約

「y が z であった場合、x はどのように変化しますか?」という形式の質問に答えることができるモデルを開発することは、医用画像解析を進歩させるための基礎です。
ただし、このような反事実的な質問に対処する因果生成モデルをトレーニングするには、現在、関連するすべての変数が観察されており、対応するラベルがトレーニング データ内で利用可能であることが必要です。
ただし、臨床データにはすべての患者の完全な記録がない可能性があり、最先端の因果生成モデルはこれを最大限に活用できません。
そこで私たちは、変数間の因果関係を利用して利用可能なすべてのデータを最大限に活用する、半教師あり深層因果生成モデルを初めて開発しました。
私たちは、各サンプルが完全に標識されているか完全に標識されていない設定、および各サンプルに異なる標識が欠落しているというより臨床的に現実的なケースでこれを調査します。
因果推論のテクニックを活用して欠損値を推論し、その後、不完全なラベルを持つサンプルであっても、現実的な反事実を生成します。

要約(オリジナル)

Developing models that are capable of answering questions of the form ‘How would x change if y had been z?” is fundamental to advancing medical image analysis. Training causal generative models that address such counterfactual questions, though, currently requires that all relevant variables have been observed and that the corresponding labels are available in the training data. However, clinical data may not have complete records for all patients and state of the art causal generative models are unable to take full advantage of this. We thus develop, for the first time, a semi-supervised deep causal generative model that exploits the causal relationships between variables to maximise the use of all available data. We explore this in the setting where each sample is either fully labelled or fully unlabelled, as well as the more clinically realistic case of having different labels missing for each sample. We leverage techniques from causal inference to infer missing values and subsequently generate realistic counterfactuals, even for samples with incomplete labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google