谨慎:为治疗效果估计合成可靠的解释
Yinjun Wu1, Mayank Keoliya2, Kan Chen3
1School of Computer Science, Peking University, Beijing, China.
我们介绍了DISCRET,这是一个新的AI框架,用于个人治疗效果估计 (ITE). 它提供准确的预测与忠实,基于规则的解释,解决当前黑子和可解释模型的局限性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 因果推理因果推理
背景情况:
- 准确和可解释的AI模型对于个人治疗效果估计 (ITE) 至关重要,特别是在医疗保健中.
- 当前的方法努力平衡准确性与忠实解释,黑子模型缺乏可解释性和自我解释模型牺牲准确性.
研究的目的:
- 开发一个新的AI框架,DISCRET,可以生成准确的ITE预测,并具有固有的忠实,基于规则的解释.
- 使解释能够作为数据库查询来识别类似的患者子组.
主要方法:
- 提出了DISCRET,这是ITE的自我解释框架.
- 开发了一种新的强化学习 (RL) 算法,用于高效地综合基于规则的解释从一个大的搜索空间.
- 使用解释作为数据库查询来识别相关的子组.
主要成果:
- DISCRET的准确性与最先进的黑盒模型相美.
- 为每个预测提供了可靠的,基于规则的解释.
- 在多种数据集 (表格,图像,文本) 上优于现有的自我解释模型.
结论:
- DISCRET为准确和可解释的ITE提供了一个强大的解决方案.
- 证明了解释作为可解释输出和数据查询工具的双重实用性.
- 在为关键应用开发可靠的人工智能方面取得了重大进展.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
20:24Characterization of Complex Systems Using the Design of Experiments Approach: Transient Protein Expression in Tobacco as a Case Study
Published on: January 31, 2014
相关概念视频
What is an Experiment?
Regression Toward the Mean
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Mechanistic Models: Compartment Models in Individual and Population Analysis
Blind Procedures
The Placebo Effect
