Designing User-Centric Behavioral Interventions to Prevent Dysglycemia with Novel Counterfactual Explanations

要約

予期せぬ健康イベントを監視し、それを事前に回避するための実行可能な対策を講じることは、健康を維持し、病気を予防する上で中心的な役割を果たす。したがって、健康上の有害事象を予測し、異常な健康事象を予防するために食事、運動、薬物療法をどのように変更すべきかについて、実行可能なフィードバックをユーザーに提供できるツールは、社会に大きな影響を与える可能性がある。反事実的説明は、元の入力と似ているが異なる予測結果につながる仮想的な事例を生成することによって、モデルが特定の予測を行った理由についての洞察を提供することができる。したがって、反実仮想は、血糖値スパイク、糖尿病、心臓病などの不利な健康結果を予測するだけでなく、予防するためのAI主導の健康介入を設計するための手段とみなすことができます。本論文では、慢性疾患の予防と管理のための反実仮想的説明を生成するための新しいモデル不可知的フレームワークである୧⃛(๑⃙⃘⁼̴̀꒳⁼̴́๑⃙⃘)୨⃛を設計する。ExActは、敵対的学習からの洞察を活用し、高次元データの決定境界を特徴付け、実行可能な介入を生成するためにグリッド探索を実行する。ExActは、実現可能な説明のユーザー嗜好に関する事前知識を、反事実生成プロセスに統合している点でユニークである。ExActは、4つの実世界データセットと外部シミュレータを用いて広範囲に評価された。シミュレーションによる検証で、$82.8%$の平均有効性で、ExActは、反実仮想説明を生成する最先端技術を少なくとも$10%上回る。さらに、ExActによる反実仮想は、先行研究と比較して、少なくとも$6.6$改善された近接性を示す。

要約(オリジナル)

Monitoring unexpected health events and taking actionable measures to avert them beforehand is central to maintaining health and preventing disease. Therefore, a tool capable of predicting adverse health events and offering users actionable feedback about how to make changes in their diet, exercise, and medication to prevent abnormal health events could have significant societal impacts. Counterfactual explanations can provide insights into why a model made a particular prediction by generating hypothetical instances that are similar to the original input but lead to a different prediction outcome. Therefore, counterfactuals can be viewed as a means to design AI-driven health interventions to not only predict but also prevent adverse health outcomes such as blood glucose spikes, diabetes, and heart disease. In this paper, we design \textit{\textbf{ExAct}}, a novel model-agnostic framework for generating counterfactual explanations for chronic disease prevention and management. Leveraging insights from adversarial learning, ExAct characterizes the decision boundary for high-dimensional data and performs a grid search to generate actionable interventions. ExAct is unique in integrating prior knowledge about user preferences of feasible explanations into the process of counterfactual generation. ExAct is evaluated extensively using four real-world datasets and external simulators. With $82.8\%$ average validity in the simulation-aided validation, ExAct surpasses the state-of-the-art techniques for generating counterfactual explanations by at least $10\%$. Besides, counterfactuals from ExAct exhibit at least $6.6\%$ improved proximity compared to previous research.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL