Hybrid$^2$神经ODE因果建模及其在血糖反应中的应用
机器学习
2026-02-02 v2 应用统计
统计方法学
摘要
将基于常微分方程（ODE）的机制动力学与灵活且富有表现力的神经网络组件组合而成的混合模型已迅速流行起来，尤其是在基于ODE的建模提供重要可解释性和经过验证的因果基础（例如，用于反事实推理）的科学领域。机制模型的引入也为标准的黑箱建模方法提供了归纳偏置，这在从小数据集或部分观测的复杂系统中学习时至关重要。不幸的是，随着混合模型变得更加灵活，机制模型提供的因果基础可能会迅速丧失。我们通过利用另一种常见的领域知识来源来解决这个问题：一组干预措施的治疗效果排序，即使精确的治疗效果未知。我们将这些信息编码为因果损失，并将其与标准预测损失相结合，得到混合损失，从而将我们的学习偏向于因果有效的混合模型。我们证明了我们能够在1型糖尿病患者运动后血糖动力学建模这一具有挑战性的任务中实现双赢：最先进的预测性能和因果有效性。
引用
@article{arxiv.2402.17233,
title = {Hybrid$^2$ Neural ODE Causal Modeling and an Application to Glycemic Response},
author = {Bob Junyi Zou and Matthew E. Levine and Dessi P. Zaharieva and Ramesh Johari and Emily B. Fox},
journal= {arXiv preprint arXiv:2402.17233},
year = {2026}
}