Projekt Medical Cause and Effects Analysis (MCEA)

Im Folgenden bieten wir Grundlagen, die jeder informatische MCEA-Mitarbeiter mitbringen oder erwerben muss. Im ersten Teil bieten wir Grundlagen, die für den zweiten Teil mit dem für MCEA wichtigen Thema der kausalen Modellierung, relevant sind. Im dritten Teil werden Grundlagen zur propositionalen probabilistischen Modellierung von Aktionen dargeboten, die im vierten Teil dann auf die Logik erster Stufe (Ontologien) angehoben werden.

Grundlagen der Modellierung

Für die Arbeit im Projekt MCEA sind Kenntnisse im Bereich der Wahrscheinlichkeitsrechnung, der Darstellung von Verbundwahrscheinlichkeiten durch Modelle und auch der Verfahren zur Beantwortung von Anfragen auf diesen Modellen notwendig. Weiterhin ist es auch hilfreich zu verstehen, wie Modelle aus Daten akquiriert werden können. Für die erfolgreiche Arbeit im Projekt haben wir folgende Materialien bereitgestellt. Das Passwort für die Videos steht hinter dem Link. 

  • Grundlagen der Stochastik, inklusive von episodischen Modellen (Bayessche Netze) zur Darstellung von Verbundwahrscheinlichkeiten sowie Lernverfahren für Modelle bei vollständigen Daten (pdf, pptx, mp4 PW: IA-WiSe-2021)
  • Grundlagen des Lernens von episodischen Modellen für Verbundwahrscheinlichkeiten mit partiellen Daten: Expectation Maximization (EM) (pdf, pptx, mp4, PW: IA-WiSe-2021)
  • Dynamische Bayes-Netze (pdf, pptx, Teil 1 mp4 PW: gFaREUm8, Teil2 mp4 PW: gFaREUm8)
  • Bayes-Netze mit kontinuierlichen Zufallsvariablen (pdf, pptx)
  • Undirected Graphical Models (ppt)
  • Grundlagen des Information Retrievals, Dimensionsreduktion mit linearer Algebra (pdf, pptx, mp4 PW: IA-WiSe-2021)
  • Grundlagen von Faktorgraphen (bitte schreibt euch in den Kurs Graphical Models in System and Control ein, um Zugang zu den Materialien zu erhalten).

Einführungen

Kausale Modellierung

Wenn Kompentenzen in den obigen Bereichen erworben wurden, können folgende Inhalte helfen, zum internationalen Stand der Kunst in der kausalen Modellierung aufzuschließen. Es ist zu beachnten, dass in den unten eingeführten Strukturellen kausalen Modellen auch unvollständige Modellelemente betrachtet werden, so dass nicht notwendigerweise nur genau eine Verteilung als Modell verwendet werden muss, Lernverfahren werden in den Präsentationen erläutert (Passworte zu den Videos stehen beim Link):

  1. Causal dependencies (pptx, mp4: PW gFaREUm8)
  2. Intervention (pptx, mp4: PW gFaREUm8)
  3. Instrumental variables (pptx, mp4: PW gFaREUm8)
  4. Counterfactuals (pptx, mp4: PW gFaREUm8)
  5. Beim Lernen von kausalen Modellen bleiben häufig ungerichtete Kanten übrig. Auch auf Graphen mit ungerichteten Kanten kann man kausal Schließen: Separators and Adjustment Sets in Markov Equivalent DAGs, Benito van der Zander, Maciej Liskiewicz, AAAI'16: Proceedings of the Thirtieth AAAI Conference on Artificial IntelligenceFebruary 2016 Pages 3315–3321
  6. Structural Causal Models are (Solvable by) Credal Networks, Zaffalon, M., Antonucci, A., & Cabañas, R. PGM, 2020.
  7. Beim Lernen in einer Anwendung können kausale Modelle erstellt werden, doch kann man sie auch auf ein anderes Anwendungsszenario übertragen? Transportability of Causal and Statistical Relations, In Proceedings of the 25th AAAI Conference on Artificial Intelligence, August 7 –11, 2011, San Francisco, CA. TECHNICAL REPORT AAAI Press, Menlo Park, CA, pp. 247-254 und  A General Algorithm for Deciding Transportability of Experimental Results, Bareinboim, Elias and Pearl, Judea. "A General Algorithm for Deciding Transportability of Experimental Results" Journal of Causal Inference, vol. 1, no. 1, 2013, pp. 107-134. https://doi.org/10.1515/jci-2012-0004
  8. Extending Factor Graphs so as to Unify Directed and Undirected Graphical Models. UAI'03: Proceedings of the Nineteenth conference on Uncertainty in Artificial IntelligenceAugust 2002 Pages 257–264
  9. Draw and Analyze Causal Diagrams: DAGitty

Modellierung von Aktionen

Für die propositionale Modellierung von Aktionen ist der Erwerb der notwendigen Kompetenzen folgender Inhalte unumgänglich.

  1. Standard Decision Making (pptx, pdf)
  2. Planning and Acting with Probabilistic Models, Reinforcement (pptx, pdf)
  3. Advanced Decision Making (pptx, pdf)

Ontologien und Probabilistische Modellierung: Dynamische Probabilistisch-Relationale Modelle (DPRMs)

Während die obigen Inhalte obligatorisch sind, können weitere grundlegende Kompetenzen für MCEA im Bereich der Logik erster Ordnung (Ontologien) im Zusammenhang mit probabilistischen Modellen über folgende Materialien erworben werden:

  1. Introduction (pdf, pptx)
  2. Recap: Propositional modelling (pdf, pptx)
  3. Probabilistic Relational Models (pdf, pptx)
  4. Lifted inference
    1. Lifted variable elimination (pdf, pptx)
    2. Lifted junction tree algorithm (pdf, pptx)
    3. First-order knowledge compilation (pdf, pptx)
    4. Beyond standard query answering (pdf, pptx)
  5. Lifted learning (pdf, pptx)
  6. Approximate inference: Sampling (pdf, pptx)
  7. Continuous Space (pdf, pptx)
  8. Sequential modelling and inference (pdf, pptx)
  9. Decision making (pdf, pptx)

Tutorials 

Und hier noch einige relevante Zusatzinformationen zur Abrundung der in MCEA notwendigen Kompetenzen:

  1. Computational learning theory (pptx)
  2. Learning first-order-definable conccepts (pptx)
  3. Representing ontologies in probabilistic graphical models (pptx)