Causal Graph ODE：多智能体动态系统中的连续处理效应建模
机器学习
2024-03-04 v1 人工智能
摘要
现实世界的多智能体系统通常是动态且连续的，其中智能体共同演化，其轨迹和相互作用随时间发生变化。例如，美国的 COVID-19 传播可被视为一个多智能体系统，其中州作为智能体，它们之间的日常人口流动作为相互作用。在此类系统中估计反事实结果能够实现准确的未来预测和有效的决策，例如制定 COVID-19 政策。然而，现有方法未能模拟处理对结果的连续动态效应，特别是当同时应用多种处理（例如“居家令”和“接种疫苗”政策）时。为了应对这一挑战，我们提出了因果图常微分方程 (CAG-ODE)，这是一种新颖的模型，它使用图神经网络 (GNN) 作为 ODE 函数来捕捉智能体之间的连续相互作用。我们模型的关键创新在于学习时间依赖的处理表示并将其纳入 ODE 函数中，从而能够精确预测潜在结果。为了减轻混杂偏差，我们进一步提出了两个基于域对抗学习的目标，使我们的模型能够学习不受处理或干扰影响的平衡连续表示。在两个数据集（即 COVID-19 和肿瘤生长）上的实验证明了我们提出模型的优越性能。
引用
@article{arxiv.2403.00178,
title = {Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems},
author = {Zijie Huang and Jeehyun Hwang and Junkai Zhang and Jinwoo Baik and Weitong Zhang and Dominik Wodarz and Yizhou Sun and Quanquan Gu and Wei Wang},
journal= {arXiv preprint arXiv:2403.00178},
year = {2024}
}