Обучение на основе концептов для оценки условного эффекта лечения

Оценка условного эффекта лечения имеет решающее значение для персонализированного принятия решений в медицине, экономике и технике. Хотя модели машинного обучения для оценки условного среднего эффекта лечения (CATE) становятся все более точными, они часто остаются «черными ящиками», не давая понимания того, почему лечение по-разному влияет на различных людей. Данная работа представляет новую модель CATE-CBM, которая интегрирует обучение на основе концептов с оценкой CATE, чтобы преодолеть этот разрыв в интерпретируемости. Предлагаемый подход использует обучение на концептах, заставляя модель выражать эффекты лечения через понятные для человека концепты, что позволяет прозрачно объяснять, какие именно концепты обуславливают эффекты. В экспериментах на модифицированном наборе данных MNIST демонстрируется, что CATE-CBM сохраняет конкурентоспособную точность, одновременно предоставляя содержательные объяснения предсказания эффекта лечения на основе концептов. Модель успешно идентифицирует, как присутствие или отсутствие конкретных концептов влияет на результаты лечения, предлагая клиницистам и политикам как точные оценки эффекта, так и интерпретируемые обоснования для персонализированных вмешательств. Данная работа представляет собой первую унификацию моделей с обучением на концептах и оценкой причинно-следственных связей, продвигая границы объяснимого искусственного интеллекта.