Feb, 2024

因果图 ODE：多智能体动态系统的连续处理效果建模

PDF
TL;DR通过使用图神经网络 (GNN) 作为普通微分方程 (ODE) 函数，我们提出了因果图普通微分方程 (CAG-ODE) 模型，该模型能够捕捉多个代理间的连续交互，并学习时间相关的处理表示，从而实现对潜在结果的准确预测。通过引入两个域对抗学习目标以减少混淆偏差，我们的模型能够学习到平衡且不受处理或干扰影响的连续表示。在两个数据集（COVID-19 和肿瘤生长）上的实验证明了我们提出模型的出色表现。
multi-agent systemscounterfactual outcomescausal graph ordinary differential equations (cag-ode)graph neural network (gnn)domain adversarial learning-based objectives
发现论文，激发创造
  • CF-GODE: 多智能体动态系统连续时间因果推断

    本文研究了多智能体动态系统中的因果推断问题，提出了 CounterFactual GraphODE 的模型，以解决因果推断中的互依性问题，并用于预测连续时间的反事实结果。

    Jun, 2023

  • 使用神经控制微分方程连续建模对照结果

    借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

    Jun, 2022

  • 推广图 ODE 以跨环境学习复杂系统动力学

    通过学习多智能体系统动力学，我们提出了 GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。

    Jul, 2023

  • 长期异质治疗效果推断的 ODE 发现

    通过引入基于常微分方程的解决方案，我们提供了一个全新的处理方式，用于推断无偏的治疗效果，并将其构建为一个框架，可以将任何常微分方程发现方法转化为治疗效果的方法。

    Mar, 2024

  • 连续时间、连续值干预的因果推断治疗 - 反应模型

    本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

    Apr, 2017

  • 图神经网络和神经微分方程在肿瘤动态预测中的融合

    使用异质图编码器结合神经普通微分方程的方法，在个性化肿瘤动态预测方面取得了显著改进，表明该方法在临床前研究中具有潜在应用。

    Oct, 2023

  • 基于神经 ODE 的时态知识图预测

    本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型，通过图转换层捕获动态图的转换，实现对时间和结构信息进行连续时间动态嵌入，并在五个基准数据集上进行了大量实验证明，该模型在未来链接预测任务中具有卓越的性能。

    Jan, 2021

  • 混合方块神经 ODE 因果建模

    通过将机械化 ODE 动力学与灵活且富有表现力的神经网络组件结合起来，我们解决了混合模型中因机械化模型的灵活性而失去因果关系的问题，并在建模运动期间的血糖动力学方面实现了既具有领先预测性能又具有因果有效性的双赢。

    Feb, 2024

  • 持续演化的图神经控制微分方程用于交通预测

    提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

    Jan, 2024

  • 基于动态图神经 ODE 的多元时间序列预测

    本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

    Feb, 2022