用于因果扰动建模的生成干预模型
机器学习
2025-07-02 v2 机器学习
摘要
我们考虑通过因果模型预测扰动效应的问题。在许多应用中，即使扰动的特征已知，系统哪些机制被外部扰动修改也是先验未知的。例如，在基因组学中，可能已知某种药物的某些特性，但不知道它们对细胞调控通路的因果效应。我们提出了一种生成干预模型（GIM），该模型学习将这些扰动特征映射到联合估计的因果模型中的原子干预分布。与先前的方法相反，这使我们能够预测未见扰动特征的分布偏移，同时深入了解它们在底层数据生成过程中的机制效应。在合成数据和scRNA-seq药物扰动数据上，GIM实现了与非结构化方法相当的稳健分布外预测，同时有效推断出潜在的扰动机制，通常优于其他因果推断方法。
引用
@article{arxiv.2411.14003,
title = {Generative Intervention Models for Causal Perturbation Modeling},
author = {Nora Schneider and Lars Lorch and Niki Kilbertus and Bernhard Schölkopf and Andreas Krause},
journal= {arXiv preprint arXiv:2411.14003},
year = {2025}
}