一般化、バイアス緩和、解釈可能性の観点から見る年齢予測: 因果推論の含意に関する考察

要約: 年齢を予測する予測モデルは、人種、性別、組織といった外因性属性のため、分布外一般化（OOD）を達成できないことがよくある。これらの属性に対して不変な表現を学習することは、OOD一般化を改善し、過度に楽観的な結果を防ぐために不可欠である。予測設定では、これらの属性はバイアス緩和を促進する。因果分析では、それらは混乱因子として現れ、保護された属性の場合、それらを抑制することが公正性につながる。これらの概念を理論的な厳密さをもって一貫して探究し、敵対的表現学習に基づく解釈可能なニューラルネットワークモデルの適用範囲を論じる。公開されているマウスのトランスクリプトミクスデータセットを用いて、このモデルの挙動を従来の機械学習モデルと比較して示す。このモデルの結果は、マウスの骨格筋および心筋における Elamipretide の効果を示した公表研究の予測結果と一致していると観察した。結論として、このような純粋に予測的なモデルから因果解釈を導く際の限界について議論し、結論づける。