개입적 플로우 매칭: 속도장 야코비안 정규화를 활용한 전향적 용량-반응 예측
Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization
한국어 초록
계획된 치료 시퀀스 하에서 환자의 생리적 궤적을 예측하는 것은 표준적인 시계열 외삽 문제가 아닌 전향적 개입 문제이다. 우리는 이 문제를 혈당 관리에서 연구하며, 여기서 인슐린 및 탄수화물 기록은 정책 의존적이다: 미래 드라이버는 환자 상태, 행동 및 임상 의사결정 규칙과 결합되어 있으므로, 관측 기반 예측 정확도만으로는 계획된 개입에 대한 올바른 반응을 보장하지 않는다. 우리는 생리학적 제약이 있는 전향적 예측을 위한 연속 시간 생성 프레임워크인 개입적 플로우 매칭(Interventional Flow Matching, IFM)을 소개한다. IFM은 경계가 있는 잠재 혈당 공간에서 환자 이력과 계획된 미래 드라이버를 조건으로 하는 플로우 매칭 속도장을 구성한다. 엄격한 기계론적 혈당-인슐린 ODE 방정식을 임베딩하거나 롤아웃 기반 시뮬레이션을 통해 인과성을 강제하는 대신, IFM은 솔버 없는 정규화를 사용한다: 평활화된 치료 드라이버에 대한 순간 속도장의 야코비안에 페널티를 부과하는 방식이다. 이를 통해 학습된 동역학에 부호가 있고 용량에 경계가 있는 국소 민감도가 직접 부과된다: 인슐린은 혈당을 낮추고, 탄수화물은 높이며, 두 반응 모두 타당한 범위 내에 유지된다. 시뮬레이션된 UVA/Padova 1형 당뇨병 코호트에서, IFM은 관측 드라이버 RMSE와 개입 반응 지표 간의 가장 강력한 균형을 달성한다. 전체 실험에 걸쳐, IFM은 높은 방향성 및 순위 일관성을 유지하면서 인슐린 및 탄수화물 드라이버 모두에 대해 생리학적으로 올바른 반응을 일관되게 생성한다.
원문 초록
Predicting a patient's physiological trajectory under a planned treatment sequence is a prospective interventional problem, not standard time-series extrapolation. We study this problem in glucose management, where insulin and carbohydrate records are policy-dependent: future drivers are coupled to patient state, behavior, and clinical decision rules, so observational forecasting accuracy alone does not guarantee correct responses to planned interventions. We introduce Interventional Flow Matching (IFM), a continuous-time generative framework for physiologically constrained prospective forecasting. IFM conditions a flow-matching velocity field on patient history and planned future drivers in a bounded latent glucose space. Rather than embedding strict mechanistic glucose--insulin ODE equations or enforcing causality through rollout-based simulations, IFM uses a solver-free regularization: it penalizes the Jacobian of the instantaneous velocity field with respect to smoothed treatment drivers. This imposes signed, dose-bounded local sensitivities directly on the learned dynamics: insulin lowers glucose, carbohydrates raise it, and both responses remain within plausible ranges. On a simulated UVA/Padova type 1 diabetes cohort, IFM achieves the strongest balance between observed-driver RMSE and interventional response metrics. Across experiments, it consistently produces physiologically correct responses to both insulin and carbohydrate drivers while maintaining high directional, and ranking consistency.
요약
계획된 치료 시퀀스 하에서 혈당 궤적을 예측하는 전향적 개입 문제를 해결하기 위해, 속도장(velocity field)의 야코비안 정규화를 통해 인슐린은 혈당을 낮추고 탄수화물은 높인다는 생리학적 제약을 솔버 없이 부과하는 조건부 플로우 매칭 프레임워크 Interventional Flow Matching(IFM)을 제안한다. UVA/Padova 1형 당뇨병 코호트 실험에서 IFM은 관측 기반 예측 정확도(RMSE)와 개입 반응 지표 간의 가장 우수한 균형을 달성하며, 방향성 및 순위 일관성을 높게 유지하면서 생리학적으로 올바른 치료 반응을 일관되게 생성한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.29386v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
파운데이션 이미지 모델 특화를 통한 흉부 X-ray 반사실적 생성
Generating Chest X-Ray Counterfactuals by Specialising Foundation Image Models
반사실적(counterfactual) 이미지 생성은 소급적·가상적 시나리오에서 대상이 어떻게 보였을지에 대한 질문에 답한다. 최근 방법들은知覚 품질, 정체성 보존, 근본 인과 모델에 대한 충실도를 개선했지만, 주석 데이터 부족, 데이터셋 간 분포 이동(distribution shift), 사전학습된 생성 모델과 반사실적 추론(inference)에 필요한 모델 간 불일치로 인해 의료 분야에서의 채택이 제한된다. 우리는 분포 이동 하에서 사전학습된 비인과 생성 모델을 인과 메커니즘으로 적응시키는 데이터 및 매개변수 효율적 프레임워크인 특화(specialisation)를 제안한다. 이 프레임워크에 기반하여 잠재 flow matching을 사용해 RadCF라는 방사선학 반사실적 이미지 생성 모델을 학습한다. 서로 다른 데이터셋 이동, 데이터 규모, 반사실적 질문을 아우르는 세 개의 흉부 X-ray 데이터셋에서 접근법을 검증했으며, 이는 도전적이고 고도로 국소화된 개입과 연관된다. 결과는 RadCF와 특화가 데이터 및 매개변수 효율적이면서 기존 방법 대비 반사실적 타당성을 개선하고, 생성된 반사실적이 다운스트림 의료 분류기에서 shortcut learning을 탐지·완화할 수 있음을 보여준다. 코드는 https://github.com/GSK-AI/RadCF/ 에서 이용 가능하다.
하나의 해답을 향한 세 가지 경로: 응용 연구자를 위한 AIPW, TMLE 및 이중 머신러닝의 일치화
Three Routes to One Answer: Reconciling AIPW, TMLE, and Double Machine Learning for Applied Researchers
증강 역확률 가중(AIPW), 표적 최대우도 추정(TMLE), 이중/편향 제거 기계학습(DML)은 평균 처치 효과에 대한 동일한 효율적 영향 함수에 이르는 점근적으로 동등한 세 가지 경로이다. 우리는 실제 데이터에서 공유된 교란 모수를 이용한 실제 사례 조정을 제시한다. 즉, 이 경로들과 해당 소프트웨어가 일치하려면 실무자가 무엇을 고정해야 하는지, 그리고 언제 일치하지 않는지를 다룬다. 금연과 체중 변화에 대한 공개 데이터(n = 1566), 하나의 Super Learner 라이브러리, 방식 내에서 일치시킨 폴드를 사용하여, 전체 표본, 교차 적합, 이중 교차 적합 변형으로 세 가지를 모두 직접 구현한다. 고정된 설계에서 표본 평균 효과가 알려진 준합성 벤치마크로 구간 포함률을 평가한다. 여섯 개의 이중 강건 추정치는 반복 분할에 걸쳐 3.32--3.39 kg의 범위를 보인다. 우리 코드와 tmle, AIPW, DoubleML, tmle3 패키지의 단일 실행 결과는 3.32--3.49 kg의 범위를 보이며, 이는 적합 방식의 차이와 단일 분할 잡음과 부합한다. 20개의 시드에 걸쳐, 우리 라이브러리를 공유하는 세 가지 구현은 그중 하나가 TMLE임에도 중앙값 기준 0.01 kg 이내에서 일치한다. 일치는 실패할 수 있다. 이진 사망 결과에 대해 표본 내 교란 모수 적합을 사용하는 경우와, 직업 훈련 사례에서 겹침이 부족한 경우가 그러하다. 우리는 추정량을 선택하기 전에 겹침을 진단할 것을 권장하며, 보고 체크리스트와 소프트웨어 코드를 제공한다.
HARN: 이벤트 기반 다중 시간대 예측을 위한 계층적 연상 공명 네트워크
HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
실시간 금융 예측은 오래되었거나 사용할 수 없는 정보를 사용하지 않으면서 시간 프레임 간 비동기적인 봉 완성을 동기화해야 한다. 우리는 HARN(Hierarchical Associative Resonance Network)을 소개한다. 이는 각 이벤트를 설정된 가장 세밀한 시간 프레임에 고정하고, 시간 수준 전반에 걸쳐 지속적 상태와 행렬 값 연상 메모리를 유지하는 이벤트 기반 아키텍처이다. 타임스탬프 마스킹 전이는 완성된 봉의 타임스탬프가 현재 앵커와 일치할 때만 해당 수준을 갱신하여, 비활성 표현을 보존한다. HARN은 인과적 다중 스케일 인코딩, 잔차 기반 게이트 연상 쓰기, 전수 교차 수준 공명, 순서화된 상향식 증거 집계를 통합하여 각 시간 수준에서 예측을 생성한다. 예측은 베이시스 포인트 변화로 표현되며 평가를 위해 가격 스케일로 복원된다. 우리는 주식, 외환, 금에 걸친 네 가지 자산(AAPL, EURUSD, USDCHF, XAUUSD)에서 시간순 70/15/15 분할, 32봉 룩백, 1단계 예측 구간, 세 개의 랜덤 시드를 사용하여 HARN을 평가한다. HARN은 네 자산 모두에서 평가된 단일 시간 프레임 PatchTST 및 TimeXer 기준선보다 낮은 앵커 시간 프레임 테스트 평균 절대 오차(MAE)를 얻는다. HARN의 MAE는 각각 0.508, 0.000306, 0.000263, 2.552이며, PatchTST는 2.074, 0.000759, 0.000638, 9.563, TimeXer는 2.882, 0.010838, 0.014144, 15.297을 기록한다. 이러한 기술적 비교는 입력, 목표 정식화 또는 학습 절차의 차이로부터 아키텍처의 효과를 분리하지 못한다. AAPL과 EURUSD에 대한 단일 실행 구성요소 절제 실험은 작고 비단조적인 차이를 보인다. 이 결과는 비동기 다중 시간 프레임 예측에 대한 HARN의 실현 가능성을 보여주는 한편, 상대적 이점과 구성요소 기여를 규명하기 위한 통제된 비교와 더 폭넓은 절제 실험의 필요성을 시사한다.
Optimal Expert Annotation for Evaluating Sequential Decision Policies from Text Records
조건부 플로우 매칭을 이용한 산불 규모의 확률적 예측
Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching
본 연구에서는 조건부 생성 알고리즘, 즉 플로우 매칭(flow matching)을 이용하여 산불 규모의 시간적 변화를 예측하는 확률적 모델을 제시한다. 공간적으로 해상도를 갖는 화재 진행을 예측하는 대신, 제안된 모델은 화재 면적의 시계열을 예측함으로써 계산 비용을 크게 줄이고 조기 경보 시스템 및 위험 평가 도구와 같은 후속 응용 프로그램과의 효율적인 통합을 가능하게 한다. 현재 및 이전 예측 시점의 화재 규모 추정치와 공간적으로 평균화된 기상 조건, 지형 특성, 연료 구성이 주어지면, 모델은 3시간 간격 동안의 화재 면적 변화를 예측한다. 학습 데이터는 WRF-SFIRE를 이용해 생성된 140개의 대기-산불 결합 시뮬레이션에서 추출되었으며, 북미 중규모(North American Mesoscale, NAM) 모델의 기상 데이터와 결합되었다. 민감도 분석은 모델이 풍속, 온도, 상대 습도의 변화에 대해 물리적으로 일관된 반응을 포착함을 보여준다. 모델 성능은 WRF-SFIRE의 기준 해(reference solution)와 비교하여 평가된다. 단일 스텝 예측의 경우, 모델은 WRF-SFIRE 기준 해에 대해 대칭 평균 절대 백분율 오차(symmetric mean absolute percentage error, sMAPE) 0.39를 달성한다. 24시간에 걸친 재귀적 다단계 예측은 12개의 홀드아웃(held-out) 테스트 사례에 대해 수행되었으며, 플로우 매칭 모델은 최종 화재 면적 sMAPE 0.39를 달성하면서도 예측 불확실성에 대한 유의미한 정량화를 추가로 제공한다.
그래프 신경망을 활용한 상각 반사실적 예측
Amortized Counterfactual Prediction with Graph Neural Networks
반사실적 추론(counterfactual inference)은 환자가 다른 치료를 받았을 때 회복했을지와 같이, 다른 상황에서 관찰된 결과가 어떻게 달라졌을지를 묻습니다. 이러한 질문은 관찰되지 않은 대안의 결과에 의사결정이 좌우될 때마다 발생합니다. 반사실적 질의에 답하려면 일반적으로 기저 인과 구조에 대한 지식이 필요하지만, 이는 실제 환경에서는 얻기 어려운 경우가 많습니다. 따라서 일반적인 접근 방식은 관찰 데이터로부터 인과 그래프를 먼저 추정한 다음 반사실적 추론을 수행하는 것입니다. 그러나 추정된 인과 그래프의 오류는 다운스트림 반사실적 예측으로 전파될 수 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 인과 그래프를 먼저 추정하지 않고 관찰 데이터로부터 직접 반사실적 질의에 답하는 엔드투엔드 접근법인 Counterfactual Graph Neural Process(CFGNP)를 소개합니다. CFGNP는 그래프 신경망(GNN)을 활용하여 교차 세계 메시지 전달(cross-world message passing)을 대응하는 사실-반사실 변수로 제한함으로써 이중 그래프 구조를 활용합니다. 합성 데이터 및 이미지 기반 벤치마크 전반에서 CFGNP는 기존 접근 방식보다 더 강력한 예측 성능을 달성하며, German Loan 벤치마크에서는 MSE를 $4.51 \times 10^{-2}$에서 $0.19 \times 10^{-2}$로 감소시킵니다. 또한 합성 인과 그래프에서 10개 노드 그래프로만 학습된 모델은 재학습 없이도 최대 30개 노드를 가진 그래프에서 강력한 예측 성능을 유지합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.