设计以用户为中心的行为干预以利用新颖反事实解释预防血糖异常
人工智能
2024-11-04 v2 人机交互
机器学习
摘要
监测意外健康事件并提前采取可操作措施加以规避，是维持健康与预防疾病的根本。因此，一种能够预测不良健康事件并为用户提供可操作反馈（关于如何调整饮食、运动和用药以预防异常健康事件）的工具，可能产生重大的社会影响。反事实解释可通过生成与原始输入相似但导致不同预测结果的假设样本，来揭示模型为何做出特定预测。因此，反事实可被视为设计 AI 驱动健康干预的手段，不仅预测而且预防不良健康结果，如血糖飙升、糖尿病和心脏病。本文设计 ExAct，一种用于生成慢性病预防与管理反事实解释的模型无关新颖框架。ExAct 利用对抗学习中的洞见，刻画高维数据的决策边界并通过网格搜索生成可操作干预。ExAct 的独特之处在于将关于用户偏好的可行解释先验知识整合进反事实生成过程。ExAct 使用四个真实世界数据集与外部模拟器进行了广泛评估。在模拟辅助验证中平均有效性达 82.8%，ExAct 超越最先进（SOTA）反事实解释生成技术至少 10%。此外，ExAct 的反事实相比以往研究在邻近度上至少提升 6.6%。
引用
@article{arxiv.2310.01684,
title = {Designing User-Centric Behavioral Interventions to Prevent Dysglycemia with Novel Counterfactual Explanations},
author = {Asiful Arefeen and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2310.01684},
year = {2024}
}