关键词：因果科学，因果主动学习，干预设计



论文标题：Active learning for optimal intervention design in causal models
论文来源：Nature Machine Intelligence
斑图链接：https://pattern.swarma.org/paper/5ece4d52-6178-11ee-b6f3-0242ac17000d
原文链接：https://www.nature.com/articles/s42256-023-00719-0

在各个领域，包括科学、工程和公共政策，都存在一项关键问题，即如何进行顺序实验设计（Sequential experimental design），以发现实现所期望结果的干预措施。当可能的干预空间很大，使详尽无遗的搜索变得不可行时，就需要实验设计策略，在这种情况下，对变量之间的因果关系进行编码，从而对干预措施对系统的影响进行编码，对于更高效地识别期望的干预措施至关重要。


文章开发了一种因果主动学习策略，以识别最优的干预措施，最优性的衡量标准是分布的干预后均值与期望目标均值之间的差异。该方法采用因果模型的贝叶斯更新，并使用经过精心设计的、带有因果信息的获取函数（causally informed acquisition function）来优先考虑干预措施。


图1. 因果模型中优化干预设计的主动学习框架概览示意图。

这个获取函数可以在封闭形式下进行评估，从而实现快速优化，得到的算法在信息论界限和已知因果图的线性因果模型的可证明的一致性结果的理论基础上进行了设计。作者将这种方法应用于合成数据和来自Perturb-CITE测序实验的单细胞转录组数据，以识别能够诱导特定细胞状态转变的最优扰动。带有因果信息的获取函数通常优于现有的标准，允许使用更少但经过精心选择的样本进行最优干预设计。


图2. 扰动单细胞基因表达数据集的结果。


编译｜董佳欣


因果表征学习读书会



详情请见：
连接因果科学与深度学习的桥梁：因果表征学习读书会启动


推荐阅读

‍1. 因果推理与大语言模型：开辟因果关系的新前沿
2. 解释大语言模型：在 Alpaca 中识别因果机制
3. 面向因果规律的表示学习新方法——因果表征学习最新攻略
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 成为集智VIP，解锁全站课程／读书会
6. 加入集智，一起复杂！


点击“阅读原文”，报名读书会

内容中包含的图片若涉及版权问题，请及时与我们联系删除