面向生物学和临床轨迹的可控序列编辑

条件生成模型用于生成纵向序列数据，给定条件输入后可产生新或修改后的轨迹。然而，这些模型往往缺乏对何时生效（时间）以及何种变量受影响（范围）的控制。大多数方法要么仅作用于单变量序列，要么假设条件影响所有变量和所有时间步。在科学和临床环境中，干预则在特定时刻发生，例如药物 administration 或手术时间点，并且只影响一部分测量值，其余轨迹保持不变。CLEF 学习到编码如何及何时改变未来序列演化的时序概念。这些概念使 CLEF 能够对受影响的时间步和变量进行有针对性的编辑，同时保留序列的其余部分。我们在 8 个数据集上评估 CLEF，涵盖细胞再编程、患者健康和销售数据，与 9 个最新基线方法进行比较。CLEF 在即时序列编辑准确率上平均提高了 16.28%（均方绝对误差）。与先前方法相比，CLEF 实现了在任意未来时间的单步条件生成，在延迟序列编辑方面平均提高了 26.73%（均方绝对误差）。我们测试了 CLEF 在反事实推断假设下的表现，显示在零样本反事实轨迹生成中可实现最高 62.84%（均方绝对误差）的改进。在1型糖尿病患者的案例研究中，CLEF 识别出能够生成向更健康结果偏移的真实反事实轨迹的临床干预措施。