JP7355115B2

JP7355115B2 - 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品

Info

Publication number: JP7355115B2
Application number: JP2021562849A
Authority: JP
Inventors: チュンチェンリウ; ウェイリー
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2019-04-23
Filing date: 2019-04-23
Publication date: 2023-10-03
Anticipated expiration: 2039-04-23
Also published as: WO2020215209A1; US20220222554A1; JP2022536825A

Description

本開示の実施形態は、機械トレーニングの分野に関し、より具体的には、操作結果を予測する方法、電子機器、及びコンピュータプログラム製品に関する。

情報技術の急速な発展に伴い、データ規模も急激に増大している。このような背景や傾向の中で、機械トレーニングはますます広く注目されている。中でも、因果関係の推論は、医療・健康、教育、雇用、エコロジー等の各分野で基本的な問題となっている。このような因果推論の問題は、一般的に反事実の問題と呼ばれ、例えば、「この患者は、新薬を服用していたら、より長く生きられただろうか？」又は、「この学生は、教育訓練プログラムに参加していたら、より高いスコアが得られただろうか？」といった問題である。

各個体の因果効果（treatment effect）を予測する上での主な課題は、割り当てられた特定の処置に対して、事実の結果しか観測できず、対応する反事実の結果を観測することができず、反事実の結果がなければ真の因果効果を決定することが難しいということである。このため、観測されたデータから因果効果をより正確に予測する手法が求められている。

本開示の実施形態では、操作結果を予測するための解決手段を提供する。

本開示の第１の態様では、操作結果を予測する方法を提供する。該方法は、第１観測対象セットに第１操作が実行された第１観測結果セットを含む第１観測データセットに基づき、第１予測モデルを決定することを含む。第１予測モデルは、目標対象に第１操作が実行される場合の第１潜在結果を予測するためのものである。該方法はさらに、第１操作が実行された第１観測対象セットと、第１操作と異なる第２操作が実行された第２観測対象セットとに基づき、第１確率モデルを決定することを含む。第１確率モデルは、目標対象に第１操作及び第２操作が実行される確率を対応付けて決定するためのものである。該方法はさらに、第１観測データセットと、第１確率モデルとに基づき、第２予測モデルを決定することを含む。第２予測モデルは、第２観測対象セットに第１操作が実行される場合の結果を推定することにより、目標対象に第１操作が実行される場合の第２潜在結果を予測する。該方法はさらに、目標対象に第１操作が実行される場合の第１最終結果を予測するために、少なくとも第１予測モデル、第２予測モデル及び第１確率モデルを含む第１組合せを決定することを含む。

本開示の第２の態様では、操作結果を予測する方法を提供する。該方法は、目標対象に対し操作セットのうち１つの操作が実行されると決定したことに応じて、目標対象に対し第１操作が実行される場合の第１潜在結果を予測することを含む。該方法はさらに、目標対象に第１操作が実行される第１確率、及び、操作セットのうちの第２操作が目標対象に実行される第２確率を決定することと、を含む。第２操作は第１操作と異なる。該方法はさらに、第２操作が実行された観測対象に第１操作が実行される場合の結果を推定することにより、目標対象に第１操作が実行される場合の第２潜在結果を予測することを含む。該方法はさらに、第１潜在結果と、第２潜在結果と、第１確率と、第２確率とに少なくとも基づき、目標対象に第１操作が実行される場合の第１最終結果を予測することを含む。

本開示の第３の態様では、電子機器を提供する。該電子機器は、プロセッサと、プロセッサに結合され命令が記憶されているメモリとを備え、命令がプロセッサにより実行される場合、動作を実行する。該動作は、第１観測対象セットに第１操作が実行された第１観測結果セットを含む第１観測データセットに基づき、第１予測モデルを決定することと、第１操作が実行された１観測対象セットと、第１操作と異なる第２操作が実行された第２観測対象セットとに基づき、第１確率モデルを決定することと、第１観測データセットと、第１確率モデルとに基づき、第２予測モデルを決定することと、、目標対象に第１操作が実行される場合の第１最終結果を予測するために、少なくとも第１予測モデル、第２予測モデル及び第１確率モデルを含む第１組合せを決定することと、を含む。第１予測モデルは、目標対象に第１操作が実行される場合の第１潜在結果を予測するためのものであり、第１確率モデルは、目標対象に第１操作及び第２操作が実行される確率を対応付けて決定するためのものであり、第２予測モデルは、第２観測対象セットに第１操作が実行される場合の結果を推定することにより、目標対象に第１操作が実行される場合の第２潜在結果を予測する。

本開示の第４の態様では、電子機器を提供する。該電子機器は、プロセッサと、プロセッサに結合され命令が記憶されているメモリとを備え、命令がプロセッサにより実行された場合、動作を実行する。該動作は、目標対象に対し操作セットのうちの１つの操作が実行されると決定したことに応じて、目標対象に対し第１操作が実行される場合の第１潜在結果を予測することと、目標対象に第１操作が実行される第１確率、及び、操作セットのうちの第１操作と異なる第２操作が目標対象に実行される第２確率を決定することと、第２操作が実行された観測対象に第１操作が実行される場合の結果を推定することにより、目標対象に第１操作が実行される場合の第２潜在結果を予測することと、第１潜在結果と、第２潜在結果と、第１確率と、第２確率とに少なくとも基づき、目標対象に第１操作が実行される場合の第１最終結果を予測することと、を含む。

本開示の第５の態様では、コンピュータプログラム製品を提供する。コンピュータプログラム製品はコンピュータ可読媒体に有形記憶され、マシンが実行可能な命令が含まれる。マシンが実行可能な命令は、実行されると、第１の態様にかかる方法をマシンに実行させる。

本開示の第６の態様では、コンピュータプログラム製品を提供する。コンピュータプログラム製品はコンピュータ可読媒体に有形記憶され、マシンが実行可能な命令が含まれる。マシンが実行可能な命令は、実行されると、第２の態様にかかる方法をマシンに実行させる。

発明の概要部分は、概念に対する選択を簡略化して提示するためのものである。以下の実施形態において、これらについてさらに説明を行う。発明の概要部分の記述は、本開示の重要又は主要な特徴を示すことを意図したものではなく、本開示の範囲を限定することも意図していない。

図面と結び付けて、本開示の例示的な実施形態をさらに詳細に説明することにより、本開示の上記及び他の目的、特徴及び利点をさらに明らかにする。本開示の例示的な実施形態において、同一の参照符号は基本的に、同一部材を示す。図面の説明は以下のとおりである。

本開示の複数の実施形態を実現可能な例示的環境の模式図である。

本開示の実施形態にかかる、モデルを得るプロセスのフローチャートである。

本開示の実施形態にかかる、第２予測モデルを決定するためのプロセスのフローチャートである。

本開示の実施形態にかかる、操作結果を予測するプロセスのフローチャートである。

本開示の実施形態を実施可能な例示的デバイスのブロック図である。

以下、図面に示されたいくつかの例示的実施形態を参照して、本開示の原理を説明する。図面には本開示の好ましい実施形態が表されているが、理解すべき点として、これらの実施形態は、当業者が本開示をより適切に理解し実現できるようにするためのものにすぎず、本開示の範囲を何らかの形で限定するものではない。

本明細書で使用される用語「含む」及びその変形は、「…を含むが、これらに限定されない」という開放的な「含む」を表す。特に明記されていない限り、用語「又は」は、「及び／又は」を表す。用語「…に基づいて」は、「少なくとも部分的に基づいて」を表す。用語「１つの例示的実施形態」及び「１つの実施形態」は、「少なくとも１つの例示的実施形態」を表す。用語「他の実施形態」は、「少なくとも１つの他の実施形態」を表す。用語「第１」、「第２」等は、異なるか又は同一の対象を示すことができる。以下の文中ではさらに、その他の明確な定義及び暗黙の定義が含まれる可能性がある。

本開示の実施形態において、「処置割当メカニズム」という用語は、個体の特徴により決まるものであり、観測実験で研究される各個体に割り当てられる処置レベル（例えば、薬又は偽薬）を決定する潜在的な戦略を指す。本文では、処置はＴを用いて表され、ｔの値を取る。例えば、２つの処置レベルしかない場合はｔ＝０，１である。

本開示の実施形態では、「潜在結果」という用語は、指定された処置レベルｔに個体を割り当てた場合の個体の結果を指し、Ｙ_ｔで表す。例えば、２つの処置レベルｔ＝０，１の場合、各個体には２つの潜在的結果Ｙ_０及びＹ_１が存在する。３つの処置レベルｔ＝０，１，２の場合、各個体には３つの潜在的結果Ｙ_０、Ｙ_１及びＹ_２が存在する。

本開示の実施形態では、「反事実」という用語は、可能性のある仮説的な結果を構築するために、過去に発生した事実を否定して、再度、特徴づけることを指す。例えば、介入群（ｔｒｅａｔｅｄｇｒｏｕｐ）（Ｔ＝１）における個体の場合、潜在結果Ｙ_１は観測された事実の結果であり、Ｙ_０は観測されていない反事実の結果である。しかし、制御群（Ｔ＝０）における個体の場合は、Ｙ_０は観測された事実の結果であり、Ｙ_１は観測されていない反事実の結果である。

本開示の実施形態では、「共変量シフト」（covariate shift）という用語は、２つの異なる観測グループ（例えば、介入群と対照群）に存在する入力特性（共変量）の分布の変化を指す。この問題は、観測研究で頻繁に発生し、いわゆる「処置選択バイアス」問題につながる。

上述したように、実際に多くのシナリオでは、ある処置を個体が受けた結果と、異なる処置を個体が受けた結果の差異とを予測し、すなわち個体因果効果（ＩＴＥ）を予測することにより、計算装置に自動的に意思決定を行わせ、又は人々の意思決定を支援して、ある個体に処置を実行するかどうか、又はある個体に複数の処置のうちどの処置を実行するかを決定できることが望まれている。例えば、ある薬又は治療法が患者の症状に及ぼす可能性のある影響を予測し、医師が治療計画を立てる際の自動化や支援を行うことが期待されている。また、トレーニングコースが学生の成績をどの程度向上させるかを予測し、又は広告宣伝が消費者の最終的な購買行動に与える影響を予測すること等も望まれている。このような予測をするためには、反事実の情報を知る必要がある。

反事実の情報を推定する１つ可能な方法は、ランダム化比較試験を行うことである。しかし、これらの試験は高価で時間がかかり、得られないことも多い。そのため、観測研究に基づいて予測を行う必要がある。観測研究では、介入群と対照群のデータの分布が未知であり、通常は異なる。このことは、観測データからＩＴＥを推定する際の「処置選択バイアス」の問題につながる。

従来、ＩＴＥを推定する方法は、回帰モデルをトレーニングすること、又はサンプルに再度重み付けを行って反事実の結果を推定することに焦点を当てており、最近傍探索、傾向スコア・マッチング（propensity score matching）、傾向スコア再度重み付け（propensity score reweighting）、並びにベイズ加法回帰木（ＢＡＲＴ）及びCausal Forestのようなツリー／フォレストベースの方法がある。ＩＴＥ推定に関する最近の他の研究には、表現トレーニング法やガウスプロセスが含まれる。

表現トレーニング法では、まず表現トレーニング用のディープニューラルネットワーク（deep neural network）を構築して、特徴空間を表現空間にマッピングし、介入群と対照群の分布を新しい表現空間に移す必要がある。そして、他の２つの表現ベースのディープニューラルネットワークを用いて介入サンプルと対照サンプルの間で事実の結果を予測する際の誤差損失を、事実の結果の損失として求める。表現によって誘導された介入分布と対照分布との間の距離の尺度は、積分確率法（ＩＰＭ：Integral Probability Metric）の距離として得られる。最後に、事実の結果の誤差損失とＩＰＭ距離の加重和を最小化する。

以上のＩＴＥ推定方法にはいくつかの問題がある。従来の結果回帰法では、一般的に「処置選択バイアス」の問題が考慮されておらず、一方、再度重み付け法（Re-weighting method）では、有限サンプルの高い分散（High Variance）の影響を受ける可能性がある。表現トレーニング法は、無限のデータでも偏りがあり、処置レベルが２つだけの設定にしか適用できないため、処置レベルが多数存在する可能性のある実際の操作では使用が制限されてしまう。ガウスプロセスはサンプル数に対してＯ（Ｎ^３）という好ましくない計算量を持つことが知られており、この方法を大規模な観測研究に適用することは容易ではない。

本開示の実施形態によれば、操作結果を予測する解決手段が提供される。この解決手段では、まず、観測データに基づいて事実の結果のモデルと傾向スコアモデルを確立し、次に、事実の結果のモデルと傾向スコアモデルに基づいて反事実の結果のモデルを決定し、最後に、事実と反事実の結果のモデルの加重平均によって処置結果とＩＴＥを予測する。本開示の解決手段は、観測データの共変量シフトを補正し、推定される処置結果及びＩＴＥの精度を向上させるだけでなく、複数の処置レベルを有するシナリオにも拡張することができ、大規模な観測研究に容易に適用することができる。

以下、図面を参照しながら本開示の実施形態について具体的に説明する。

図１は、本開示の複数の実施形態を実現可能な例示的環境１００の模式図を示す。該例示的環境１００において、計算装置１０２は観測データセット１０１に基づきモデル１０３を生成する。該モデル１０３は、目標対象１０７に１つ又は複数の操作を実行した場合の最終結果と、個体因果効果ＩＴＥとを予測するためのものである。モデル１０３は、後で詳述する予測モデル及び確率モデル１０４を含むことができる。また、モデル１０３は、操作結果を予測するためにこれらのモデルの出力をどのように組み合わせるかを限定することができる。モデル１０３はさらにＩＴＥ表現１０５を含むことができる。ＩＴＥ表現１０５は、予測モデル及び確率モデル１０４の出力を組み合わせることにより、目標対象１０７に対して１つの操作を実行した場合の最終結果と、別の操作を実行した場合の最終結果との差異を予測する。本明細書では、こうした差異は目標対象１０７に対するＩＴＥとみなすことができる。

第１観測データセット１１０は、第１観測対象セット１１１に第１操作を実行した第１観測結果セット１１２を含み、第２観測データセット１２０は、第２観測対象セット１２１に第２操作を実行した第２観測結果セット１２２を含む。いくつかの実施形態において、観測データセット１０１はさらに第３観測データセット１３０を含むことができる。第３観測データセット１３０は、第３観測対象セット１３１に第３操作を実行した第３観測結果セット１３２を含む。本明細書の第１操作、第２操作及び第３操作は、互いに異なる。また、第１観測対象セット１１１、第２観測対象セット１２１及び第３観測対象セット１３１は、互いに異なる。ここで説明する第１操作、第２操作及び選択可能な第３操作は、対象に施す異なる処置であるとみなすことができる。以下の説明では、処置及び操作は、互いに互換的に使用することができる。

図１には第１観測データセット１１０、第２観測データセット１２０及び選択可能な第３観測データセット１３０のみが示されているが、理解すべき点として、本開示の実施形態は、処置レベルがもっと多い状況に適用することができるため、観測データセット１０１には、それぞれの対象に異なる操作が実行された観測データのセットがもっと多く含まれてもよい。

観測データセット１０１は、各研究対象に対する操作又は処置（Ｔ）、観測結果（Ｙ）及び対象の特徴情報（Ｘ）を含む。２つの異なる処置がある場合、Ｔは二次元である。議論しやすいために、Ｔ＝１で第１操作を表し（例えば、干渉群）、Ｔ＝２で第２操作を表す（例えば、対照群）。第３操作がある場合、Ｔ＝３で第３操作を表す。第１観測結果セット１１２及び第２観測結果セット１２２は、Ｙで表すことができる。また、Ｙは離散的であってもよいし、連続的であってもよい。第１観測対象セット１１１及び第２観測対象セット１２１はその特徴Ｘで表すことができ、特徴Ｘは、離散的又は連続的であり得る多数の前処理された変数を含むことができる。観測データセット１０１は、各分野の多数の観測研究から得られることができる。

計算装置１０６は、計算装置１０２が生成したモデル１０３及び目標対象１０７の特徴Ｘを取得し、モデル１０３に基づき予測結果１０８を提供することができる。予測結果１０８は、目標対象１０７に対しある操作を実行した場合の結果についての予測を含むことができ、さらに、目標対象１０７に対し２つの異なる操作を実行した場合の結果の差異についての予測、すなわちＩＴＥについての予測を含むことができる。

例を挙げると、医学研究において、操作又は処置Ｔは、患者にアスピリンを投与したかどうかを示し、結果Ｙは、患者の頭痛がなくなったかどうかを示す。特徴Ｘは、患者の年齢、性別、血圧等の情報を含むことができる。第１観測データセット１１０は、アスピリンを投与された複数の患者の特徴Ｘ、及び薬の投与後に頭痛がなくなったかどうかを含むことができる。第２観測データセット１２０は、アスピリンを投与されなかった複数の患者の特徴Ｘ、及び頭痛がなくなったかどうかを含むことができる。このような観測データに基づき、計算装置１０２はモデル１０３を生成することができる。また、計算装置１０６はモデル１０３を用いて、目標対象１０７がアスピリンを投与された場合と投与されなかった場合頭痛をなくせるかどうかを予測することができる。さらに、目標対象１０７がアスピリン治療を受けるべきかどうかを決定するために、又はそうした決定を支援するために、目標対象１０７に対するアスピリンの処置効果を予測することができる。

別の例として、操作又は処置Ｔは、消費者に製品を推奨したかどうかを示し、結果Ｙは、消費者が製品を購入したかどうかを示すことができる。また、特性Ｘは、消費者の収入、購入履歴等の情報を含むことができる。このシナリオでは、第１観測データセット１１０は、製品が推奨された消費者の特徴、及びその消費者が該製品を購入したかどうかを含むことができる。第２観測データセット１２０は、製品が推奨されなかった消費者の特徴、及びその消費者が該製品を購入したかどうかを含むことができる。同様に、計算装置１０６は、生成されたモデル１０３を用いて、目標対象１０７に対する製品宣伝の効果を予測し、それによって、目標対象１０７に製品宣伝を行うかどうかを決定するか、又はそうした決定を支援することができる。

本開示の実施形態で提供する解決手段をより明確に理解するために、図２を参照して本開示の実施形態をさらに説明する。図２は、本開示の実施形態にかかる、モデルを得るプロセス２００のフローチャートを示す。プロセス２００は、図１の計算装置１０２により実施することができる。説明の便宜上、図１と結びつけてプロセス２００を説明し、Ｔ＝１で第１操作を表し、Ｔ＝２で第２操作を表し、Ｔ＝ｔで任意の操作を表す。

ブロック２１０において、計算装置１０２は第１観測データセット１１０に基づき、第１予測モデルを決定する。第１観測データセット１１０は、第１観測対象セット１１１に第１操作を実行した第１観測結果セット１１２を含む。第１予測モデルは、目標対象１０７に第１操作を実行した場合の第１潜在結果を予測するためのものである。本明細書の第１予測モデルは、第１操作についての事実結果予測モデルと称されてもよい。

第１予測モデルは、任意の適切な方法、例えばニューラルネットワークによって決定することができる。いくつかの実施形態において、計算装置１０２は、第１観測対象セット１１１と第１観測結果セット１１２とに基づき、第１予測モデルを決定するための第１目標関数を確立することができ、さらに、第１目標関数を最小化することにより、第１予測モデルのモデルパラメータを決定することができる。

例えば、計算装置１０２は、ディープニューラルネットワークをトレーニングして、第１観測対象セット１１１（例えば、Ｔ＝１の観測対象）における各観測対象の特徴Ｘについて対応する観測結果Ｙをモデル化して、所与のＴ＝１及び特徴Ｘの状況でのＹの条件付き期待値、すなわちＥ（Ｙ｜Ｘ，Ｔ＝１）を得ることができる。ニューラルネットワークモデルが完全にトレーニングされた後、確立された第１予測モデル、すなわち第１操作についての事実結果のモデルは、式（１）のように示すことができる。
Ｅ（Ｙ｜Ｘ，Ｔ＝１）（１）

いくつかの実施形態において、計算装置１０２はさらに第２観測データセット１２０に基づき、第２操作についての事実結果予測モデルを決定することができる。該モデルは本明細書では第４予測モデルとも称される。第４予測モデルは、目標対象１０７に第２操作を実行した場合の潜在結果を予測するためのものである。

第１予測モデルの決定と同様に、計算装置１０２はニューラルネットワークを用いて第４予測モデルを決定することができる。例えば、計算装置１０２はディープニューラルネットワークをトレーニングして、第２観測対象セット１２１（例えば、Ｔ＝２）における各観測対象の特徴Ｘについて対応する観測結果Ｙをモデル化して、所与のＴ＝２及び特徴Ｘの状況でのＹの条件付き期待値、すなわちＥ（Ｙ｜Ｘ，Ｔ＝２）を得ることができる。ニューラルネットワークモデルが完全にトレーニングされた後、確立された第４予測モデル、すなわち第２操作についての事実結果のモデルは、式（２）のように示すことができる。
Ｅ（Ｙ｜Ｘ，Ｔ＝２）（２）

実際の操作では、ディープニューラルネットワークをトレーニングする際の計算量を減らすために、隠れ層の数を１又は２と設定し、全ての隠れ層の次元数を同じで且つ特徴量Ｘの次元より大きくし、学習率を候補セット｛１．０，０．１，０．０１，０．００１，０．０００１｝とし、正則化パラメータを候補セット｛０，１ｅ－４，１ｅ－２｝とし、バッチサイズを６４とし、繰り返し回数を１００００とすることができる。そして機械学習アルゴリズムでよく用いられるトレーニング／テストの分割技術を用いて、候補セットから最適なパラメータを選択することができる。

理解すべき点として、以上のニューラルネットワークに関するトレーニング方法は概略的なもので本開示の範囲を限定する意図はない。さらに理解すべき点として、いかなるＴ＝ｔの状況に対しても同様に、式（３）に示すように、観測されたデータに基づき、第ｔの操作についての事実結果予測モデルを決定することができる。
Ｅ（Ｙ｜Ｘ，Ｔ＝ｔ）（３）

また、他の方法で、任意の操作ｔについての事実結果予測モデルを決定してもよい。例えば、特徴Ｘの表現を学習し、特徴Ｘの表現空間でニューラルネットワークによる学習を行うことにより、操作ｔについての事実結果予測モデルを決定することができる。

ブロック２２０において、計算装置１０２は、第１操作が実行された第１観測対象セット１１１と、第１操作と異なる第２操作が実行された第２観測対象セット１２１とに基づき、第１確率モデルを決定する。該第１確率モデルは、目標対象１０７に第１操作及び第２操作が実行される確率を対応付けて決定するためのものである。

第３操作が存在する実施形態では、計算装置１０２は第１観測対象セット１１１と、第２観測対象セット１２１と、第３操作が実行された第３観測対象セット１３１とに基づき、第２確率モデルを決定することができる。該第２確率モデルは、目標対象１０７に第３操作が実行される確率を決定するためのものである。

確率モデルの１つ実現形式として、傾向スコアモデルが挙げられる。計算装置１０２は、ディープニューラルネットワークを用い、特徴Ｘ（観測データセット１０１における各観測対象セット）について、処置又は操作Ｔをモデル化することにより、確率モデルを得ることができる。例えば、計算装置１０２は、ディープニューラルネットワークをトレーニングし、観測対象の特徴Ｘについて対応する操作Ｔをモデル化し、所与の特徴Ｘの状況で個体対象に第ｔ操作が実行される条件付き確率を、確率モデル、すなわち式（４）として得ることができる。

この深層ニューラルネットワークを実際の応用においてトレーニングさせる場合、Ｔの値が離散的であるため、交差エントロピー損失を損失関数とし、隠れ層の数を１又は２とし、全ての隠れ層の次元数を特徴量Ｘの次元より大きく、学習率を候補セット｛０．８，０．１，０．０５，０．００５，０．００１｝とし、正則化パラメータを０とし、バッチサイズを６４とし、繰り返し回数を１００００とすることができる。上述した事実結果予測モデルのためのディープニューラルネットワークのトレーニングと同様に、計算装置１０２はトレーニング／テストの分割技術を用いて、候補セットから最適なハイパーパラメータ（hyper parameter）を選択してもよい。

ブロック２３０において、計算装置１０２は第１観測データセット１１０と、ブロック２２０で決定された第１確率モデルとに基づき、第２予測モデルを決定する。第２予測モデルは、第２観測対象セット１２１に第１操作を実行した場合の結果を推定することにより、目標対象１０７に第１操作を実行した場合の潜在結果を予測する。

第３操作が存在する実施形態では、計算装置１０２はさらに、第１観測データセット１１０と、第１確率モデルと、第２確率モデルとに基づき、第３予測モデルを決定することができる。第３予測モデルは、第３観測対象セット１３１に第１操作を実行した場合の結果を推定することにより、目標対象１０７に第１操作を実行した場合の第３潜在結果を予測する。本明細書で説明する第２予測モデル及び第３予測モデルは、第１操作についての反事実結果予測モデルとみなすことができる。

この点について、図３は、本開示の実施形態にかかる、第２予測モデルを決定するためのプロセス３００のフローチャートを示す。さらに図３と結びつけて、反事実の結果のモデルを決定する一般的なプロセスについて説明する。いくつかの実施形態において、プロセス３００は、図２におけるブロック２３０の実施形式とみなすことができ、例えば図１に示す計算装置１０２によって実行することができる。理解すべき点として、プロセス３００はさらに、図示されていない付加的ステップを含むことができ、且つ／又は示されたステップを省略することができる。本開示の範囲は、この点において制限されない。

ブロック３１０において、計算装置１０２は、ブロック２２０で決定された第１確率モデルと、第１観測対象セット１１１の数と、第２観測対象セット１２１の数とに基づき、サンプル重みを決定する。該サンプル重みは、第１観測対象セット１１１の分布に対する、第２観測対象セット１２１の分布の偏りを補正するためのものである。ここで決定されるサンプル重みは、重点サンプリング（importance sampling）の重みとみなすことができ、上述の共変量シフトの問題を補正するために使用され、また、その後の結果の予測にも使用される。

続いて、計算装置１０２は決定されたサンプル重み（例えば、式（７））及び第１観測データセット１１０に基づき、第２予測モデル、すなわち第１操作についての反事実結果予測モデルを決定することができる。例えば、計算装置１０２は、移行学習技術を採用して第２予測モデルを決定してもよい。

ブロック３２０において、計算装置１０２はサンプル重みと、第１観測対象セット１１１と、第１観測結果セット１１２とに基づき、第２予測モデルを決定するための第２目標関数を確立する。

以上、第１操作についての反事実結果予測モデル、すなわち第２予測モデル、及び可能な第３予測モデルを決定するプロセスを説明した。いくつかの実施形態において、計算装置１０２はさらに、同様に任意の第ｔ操作（例えば、第２操作）について反事実結果予測モデルを決定してもよい。説明の便宜上、本明細書では第２操作についての反事実結果予測モデルを第５予測モデルと称する。例えば、計算装置１０２は、第２観測データセット１２０と、ブロック２２０で決定された第１確率モデルとに基づき、第５予測モデルを決定することができる。第５予測モデルは、第１観測対象セット１１１に第２操作を実行した場合の結果を推定することにより、目標対象１０７に第２操作を実行した場合の潜在結果を予測する。

対応するブロック３２０で説明したのと同様に、計算装置１０２は次に、サンプル重みと、第２観測対象セット１２１と、第２観測結果セット１２２とに基づき、第５予測モデルを決定するための目標関数を確立する。

第３操作が存在する実施形態では、さらに、第３操作が実行された第３観測対象セット１３１の第２操作についての反事実結果予測モデルを、式（１３’）に示すように決定することができる。

引き続き図２を参照すると、ブロック２４０において、計算装置１０２は、目標対象１０７に第１操作を実行した場合の第１最終結果を予測するために、少なくとも第１予測モデル、第２予測モデル及び第１確率モデルを含む第１組合せを決定する。例えば、計算装置１０２は式（１）、（４）及び（９）を用いて第１組合せを決定することができる。例えば、計算装置１０２は、所定の関係に基づき各予測モデル及び確率モデルの出力を組み合わせることができる。

まとめると、任意の第ｔ操作に対し、特徴Ｘを有する目標対象１０７に該第ｔ操作を実行した場合の最終結果は、次の式により予測することができる。

目標対象１０７に第１操作を実行した場合の最終結果を予測するための第１組合せについて、上述の式（１５）を次のように具体化することができる。

２つの処置レベル（例えば、１及び２）しかない場合、第１組合せは次のように具体化することができる。

また、３つの処置レベル（例えば、１、２及び３）がある場合、第１組合せは次のように具体化することができる。

この方法により、計算装置１０２は、目標対象１０７に第１操作を実行した場合の最終結果を予測するための第１組合せを生成する。計算装置１０２は、計算装置１０６が予測結果及びＩＴＥを決定するために、上述した事実結果予測モデル、反事実結果予測モデル及び確率モデルをモデル１０３の一部分として提供することができる。

いくつかの実施形態において、計算装置１０２は、目標対象１０７に対して任意の第ｔ操作を実行した場合の最終結果を予測するための組合せを生成することができる。例えば、計算装置１０２は、目標対象１０７に第２操作を実行した場合の第２最終結果を予測するために、上述した第４予測モデル、第５予測モデル及び確率モデルに基づいて第２組合せを決定することができる。

目標対象１０７に第２操作を実行した場合の最終結果を予測するための第２組合せについて、上述の式（１５）を次のように具体化することができる。

２つの処置レベルしかない場合、計算装置１０２は式（２）、（４）及び（１３）を用いて第２組合せを決定することができる。式（１７）と同様に、この場合、第２組合せを次のように具体化することができる。

計算装置１０２は、上述の方法で決定された、目標対象１０７に第ｔ操作を実行した場合の最終結果を予測するための組合せ、すなわち

を提供し、ある操作又は処置が目標対象１０７に実行された場合の結果を予測することができる。いくつかの状況では、目標対象１０７に対し異なる処置又は操作が実行された場合の差異を予測することも期待されており、すなわちＩＴＥを予測することも期待されている。

いくつかの実施形態において、計算装置１０２は、目標対象１０７に第１操作を実行した場合の第１最終結果と、目標対象１０７に第２操作を実行した場合の第２最終結果との差異を予測するために、前記第１組合せと前記第２組合せとに基づき、差異表現を決定することができる。差異表現は、例えば、図１に示すＩＴＥ表現１０５である。

計算装置１０２は、予測モデル、確率モデル１０４及びＩＴＥ表現１０５を含むがこれらに限定されないモデル１０３を、例えば計算装置１０６に提供することができる。モデル１０３に基づき、計算装置１０６は、目標対象１０７について、操作又は処置の結果及び個体因果効果のうちの少なくとも１つを予測することができる。例えば、計算装置１０６は、患者について、ある治療を行った場合と、該治療を行わなかった場合との差異を予測し、自動的に意思決定を行うか、又は医師若しくは患者の意思決定を支援することができる。

以上、本開示による、予測操作結果及びＩＴＥを得るためのモデルを説明した。該モデルは、処置結果及びＩＴＥを推定する精度を高めるだけでなく、複数の処置レベルを伴うシナリオにも拡張することができる。また、この解決手段は、大規模な観測研究にも容易に適用することができる。

図４は、本開示の実施形態にかかる、操作結果を予測するプロセス４００のフローチャートを示す。プロセス４００は、図１の計算装置１０６により実施することができる。説明の便宜上、図１と結び付けてプロセス４００を説明する。

ブロック４１０において、計算装置１０６は、目標対象１０７に対し操作セットのうちの１つの操作を実行するかどうかを決定する。例えば、計算装置１０６は、目標対象１０７に関する特徴Ｘの入力（Ｘの値ｘ）を受信すると、目標対象１０７に対し、ある操作が実行されようとしていると認識することができる。理解すべき点として、第１操作及び第２操作を説明する場合、複数の処置レベルを有する状況での任意の２つの操作を指すことができ、２つの処置レベルのみを有する状況に限定されない。

ブロック４１０において、目標対象１０７に対し操作セットのうちの１つの操作が実行されると決定した場合、プロセスはブロック４２０に進む。ブロック４２０において、計算装置１０６は、目標対象１０７に対し第１操作（ｔ_１）を実行した場合の第１潜在結果を予測する。計算装置１０６は、上述したブロック２１０に関し説明した第１予測モデルを得て、該第１予測モデルに基づき第１潜在結果を予測することができる。例えば、式（３）を用いて、第１潜在結果Ｅ（Ｙ｜Ｘ＝ｘ，Ｔ＝ｔ_１）を得る。

ブロック４５０において、計算装置１０６は第１潜在結果と、第２潜在結果と、第１確率と、第２確率とに少なくとも基づき、目標対象１０７に第１操作を実行した場合の第１最終結果を予測する。例えば、計算装置１０６はブロック４２０、４３０及び４４０での計算を用いて、第１最終結果を決定することができる。例えば、２つの処置レベルを有する状況での第１最終結果は、次のように表すことができる。

第３操作が存在する実施形態では、計算装置１０６は第１潜在結果と、第２潜在結果と、第３潜在結果と、第１確率と、第２確率と、第３確率とに基づき、第１最終結果を予測することができる。例えば、３つの処置レベルを有する状況での第１最終結果は、次のように表すことができる。

いくつかの実施形態において、計算装置１０６は、目標対象１０７に第２操作を実行した場合の第４潜在結果を予測してもよい。これは例えば、上述した第４予測モデルに基づく。また、計算装置１０６は、第１操作が実行された観測対象に第２操作を実行した場合の結果を推定することにより、目標対象１０７に第２操作を実行した場合の第５潜在結果を予測することができる。これは例えば、上述した第５予測モデルに基づく。また、計算装置１０６はさらに第４潜在結果と、第５潜在結果と、対応する確率とに基づき、目標対象１０７に第２操作を実行した場合の第２最終結果を予測することができる。例えば、２つの処置レベルを有する状況での第２最終結果は、次のように表すことができる。

３つの処置レベルを有する状況での第２最終結果は、次のように表すことができる。

いくつかの実施形態において、計算装置１０６は、目標対象１０７に第１操作を実行した場合の第１最終結果と、目標対象１０７に第２操作を実行した場合の第２最終結果との差異を予測することができる。すなわち、第２操作に対する第１操作のＩＴＥを予測することができる。例えば、計算装置１０６は、ＩＴＥ表現１０５に基づき、目標対象１０７について、第２操作ｔ_２に対する第１操作ｔ_１のＩＴＥを計算することができる。

いくつかの実施形態において、計算装置１０６は（例えば、ユーザに対して）、予測した第１最終結果、第２最終結果及びＩＴＥのうちの少なくとも１つ（例えば、図１に示す予測結果１０８）を提供して、目標対象１０７に第１操作を実行するか第２操作を実行するか等をユーザが決定するのを支援することができる。

いくつかの実施形態において、計算装置１０６は、決定された差異（例えば、ＩＴＥ）に基づき、第１操作及び第２操作の中から、目標対象１０７に実行する目標操作を決定することができる。計算装置１０６は、決定された差異に基づき目標操作を簡単に選択することができる。例えば、決定された差異により、ＩＴＥがプラスの効果又はポジティブな効果であると示された場合、計算装置１０６は、目標対象１０７に第１操作を実行すると決定することができる。計算装置１０６はさらに、他の要因を結合させて目標操作を選択することができる。例えば、第１操作と第２操作とのコストの差（例えば、時間コスト費用コスト）を結合させることができる。例を挙げると、ＩＴＥとコスト差の比が閾値の比より大きい場合、計算装置１０６は、目標対象１０７に第１操作を実行すると決定することができる。

プロセス２００及びプロセス４００は、２つの計算装置で実施されるものとして説明したが、理解すべき点として、本明細書で説明したプロセスは同一計算装置で実施してもよいし、分散式のコンピュータシステムで実施してもよい。本開示の範囲は、この点において制限されない。

以下、１つの具体的な例を説明する。ここで用いられるデータセットは、乳児健康開発プログラム（ＩＨＤＰ）に基づいた半シミュレーション研究からのものである。ＩＨＤＰのデータは、実際のランダム化試験で得られた処置と特徴を有し、質の高い保育と家庭訪問が将来の認知テストのスコアに与える影響を研究したものである。該試験では、シミュレーション結果を用いることにより、真の因果効果を明らかにした。観測研究は、試験データから、介入群のサブセットを除外して行われた。データセットは７４７名の個体（介入群１３９名、対照群６０８名）で構成され、それぞれの個体は、子どもと母親の特徴を測った２５の共変量で表される。

処置は、質の高い保育と、訓練を受けた提供者から家庭訪問を早産児が受けていたかどうかを表す。連続的な結果は、乳児の将来の認知テストのスコアを表す。この２５の特徴には、子どもに関する測定値ー出生時の体重、頭囲、未熟児の出生週数、性別、双子の状態、現在の状態の測定値ー及び母親の出産時の年齢、婚姻状況、教育水準が含まれる。合計で、６つの連続共変量及び１９のバイナリ共変量がある。

ブロック２１０に関し上述したステップにおいて、乳児の２５の特徴が与えられた状況での１人の早産児について予測される将来の認知テストのスコアが得られる。

ブロック２２０に関し上述したステップでは、乳児の２５の特徴に基づき、１人の早産児に関し質の高い保育と家庭訪問を受ける潜在確率の予測を得る。

ブロック２３０に関し上述したステップでは、質の高い保育と家庭訪問を受けた乳児に対し、こうした保育サービスを受けなかったと仮定した状況で予測される将来の認知テストのスコアを得る。また、質の高い保育と家庭訪問を受けなかった乳児に対し、このような保育サービスを受けたと仮定した状況で予測される将来の認知テストのスコアを得る。

最後に、以上のステップに基づき、早産児の将来の認知テストのスコアに対する、質の高い保育と、訓練を受けた提供者による家庭訪問の因果効果の推定を得ることができる。

上述した従来の方法、表現トレーニング法及び本開示の方法を用いて、上述のＩＨＤＰデータをトレーニングしＩＴＥを予測した。その結果、本開示の方法は非均一効果の推定精度（ＨＥＰＥ）及び二乗平均平方根誤差の面で、いずれも、従来の方法及び表現トレーニング法よりも優れていることが分かった。

以下、具体的な実施形態と結び付けて本開示の解決手段の実施について説明する。

医療分野では、同一の症状について、医師又は患者自身が複数の治療法又は方式から選択しなければならないことがある。例えば、ある薬を投与するかどうか、複数の薬の中から一つを選ぶか、又は複数の物理療法（赤外線療法、磁気療法等）の中から一つを選ぶか等、選択を行う必要がある。以下、説明を簡単にするために、治療法Ａ、Ｂ、Ｃ等で表すこととする。治療法の選択は通常、医師の個人的な経験に基づいて行われるが、これは主観的な判断と経験に大きく依存している。医療機関では、同一症状の患者が、それぞれＡ、Ｂ、Ｃの治療を受けているという治療状況が一般的である（以下、観測データと称する）。

観測データは、過去の個々の患者の各種特徴、例えば年齢、体重、血圧、及び、症状に関する各検査データ等を含むことができる。また、これらの個々の患者の治療後の治療効果、例えば症状が消失したかどうか、治療後の生理学的パラメータ等を含むことができる。このような観測データを用いて、現在治療を受けようとしている対象患者に対するこれらの治療法の治療効果や、異なる治療法での効果の差異（例えばＩＴＥ）を予測し、その対象患者の治療法を決定することが期待されている。しかし、このような観測データでは通常、上述の共変量シフトの問題が存在する。例えば、異なる治療法の間のコスト差により、個々の患者の経済状態の面で観測データに偏りが生じる可能性がある。このような共変量の偏り問題が考慮されなければ、得られる予測は客観的で正確なものにはならない。

本開示で提供される解決手段を用いて、共変量シフトに起因する問題を解決することができ、治療法Ａ、Ｂ、Ｃについての対象患者の治療効果と、任意の２つの治療法の効果の差異を正確に予測することができる。予測された治療効果及び／又は効果の差異は、医師又は患者に提供し治療法の選択を支援することができる。追加で又は選択的に、計算装置は、上述したように、所定のルールに基づいて、自動的に治療法を決定してもよい。したがって、この方法により、患者にとってより適切で効果的な治療法の選択が可能になる。

教育分野では、学生が、具体的に設定された同種の複数のコース（例えば、「聞く」、「話す」、「読む」、「書く」の比率が異なる英語コース）から選択し、又は、教育機関が学生に対しより適したコースを推薦しなければならない場合がある。教育機関は通常、この方面の観測データを保有している。観測データは、以前にＤ、Ｅ、Ｆ等のコースを受講した学生の特徴、例えば年齢、性別、同様のコースの受講歴、家庭の経済状況等の情報や、対応するコースを受講した後の個々の学生のパフォーマンス、例えば試験の成績、受賞歴等を含むことができる。

このような観測データを用いて、現在コース選択中の学生の意思決定を支援し、又は、より適切なコースを学生に推薦することが期待されている。前述したように、観測データには通常、共変量シフトが存在するため、従来の予測方法では学生に正確かつ客観的にコースを推薦することができない。

本開示で提供される上記の解決手段を用いれば、共変量シフトの問題を解決することができ、コースＤ、Ｅ、Ｆについての対象学生のトレーニング効果、任意の２つのコース間の効果の差異を正確に予測することができる。予測されたトレーニング効果及び／又は効果の差異は、学生に提供して、コース選択を支援することができる。追加で又は選択的に、計算装置は上述のように、所定のルールに基づいて、より適切なコースを学生に推薦してもよい。例えば、コースＤとＥのＩＴＥがプラス又はポジティブな効果を示す場合、コースＤを対象の学生に推薦することができる。したがって、この方法により、学生のためにより適切で有益なコースを選択することが可能になる。

図５は、本開示の実施形態を実施可能な例示的デバイス５００のブロック模式図を示す。図に示すように、デバイス５００は、中央処理ユニット（ＣＰＵ）５０１を備える。ＣＰＵ５０１は、リードオンリーメモリ（ＲＯＭ）５０２に記憶されたコンピュータプログラムの命令、又は記憶ユニット５０８からランダムアクセスメモリ（ＲＡＭ）５０３にロードされたコンピュータプログラムの命令に基づき、各種の適切な動作及び処理を実行することができる。ＲＡＭ５０３にはさらに、デバイス５００の操作に必要な各種プログラム及びデータを記憶することができる。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３はバス５０４を介して互いに接続されている。入力／出力（Ｉ／Ｏ）ポート５０５もバス５０４に接続されている。

デバイス５００における複数の部材は、Ｉ／Ｏポート５０５に接続されている。複数の部材には、キーボード、マウス等の入力ユニット５０６、様々な種類のディスプレイ、スピーカ等の出力ユニット５０７、磁気ディスク、光ディスク等の記憶ユニット５０８、及びネットワークインタフェースカード、モデム、無線通信送受信機等の通信ユニット５０９が含まれる。通信ユニット５０９によって、デバイス５００は、インターネットのようなコンピュータネットワーク及び／又は各種電信ネットワークを介して、他のデバイスと情報／データを交換することができる。

中央処理ユニット５０１は、上述した各方法及び処理、例えばプロセス２００、３００、４００のうちのいずれか１つを実行する。例えば、いくつかの実施形態において、プロセス２００、３００及び４００は、コンピュータソフトウェアプログラム又はコンピュータプログラム製品として実現可能であり、記憶ユニット５０８のようなマシンで読み取り可能な媒体に、有形記憶されている。いくつかの実施形態において、コンピュータプログラムの一部又は全部は、ＲＯＭ５０２及び／又は通信ユニット５０９を経由してデバイス５００にロード及び／又はインストールすることができる。コンピュータプログラムがＲＡＭ５０３にロードされＣＰＵ５０１により実行されると、上述したプロセス２００、３００、４００のうちのいずれか１つの１つ又は複数のステップを実行することができる。選択的に、その他の実施形態において、その他任意の適切な方法（例えば、ファームウェアを利用）によって、ＣＰＵ５０１がプロセス２００、３００、４００のうちのいずれか１つを実行するように設定してもよい。

本開示のいくつかの実施形態によれば、コンピュータ可読媒体が提供される。コンピュータ可読媒体には、コンピュータプログラムが記憶されており、該プログラムは、デバイスにより実行された場合、本開示の方法を実現する。

当業者が理解すべき点として、上述した本開示の方法の各ステップは、汎用の演算装置により実現することができ、それらを単一の演算装置に集中させるか、又は複数の演算装置からなるネットワークに分散させることができる。オプションとして、本開示の方法の各ステップは、演算装置が実行可能なプログラムコードを用いて実施することができるため、それらを記憶装置に記憶して演算装置により実行するか、それらを個別に各集積回路モジュールとして形成するか、又は、それらのうちの複数のモジュール若しくはステップを、単一の集積回路モジュールとして形成して実施することができる。このように、本開示は、何らかの特定のハードウェア及びソフトウェアの結合に限定されない。

理解すべき点として、上述の詳細な説明において、デバイスの複数の装置又はサブ的な装置に言及したが、こうした分割はあくまで例示的で非強制的なものである。実際には、本開示の実施形態に基づき、上述した２つ又はより多くの装置の特徴及び機能を、１つの装置において具現化することができる。逆に、上述した１つの装置の特徴及び機能を、複数の装置で具現化するようにさらに分割することができる。

以上で述べた内容は、本開示の好ましい実施形態にすぎず、本開示を限定するものではない。当業者にとって、本開示には各種の修正及び変更が存在し得る。本開示の精神及び原則において行われるあらゆる補正、等価置換、改良等は、いずれも本開示の保護範囲内に含まれるべきである。

Claims

コンピュータが、目標対象に操作が実行される場合の操作結果を予測する方法であって、
複数の特徴情報によって表現される複数の観測対象に対して、第１操作が実行された第１観測対象セットを抽出することと、
前記複数の観測対象に対して、前記第１操作と異なる第２操作が実行された第２観測対象セットを抽出することと、
前記第１観測対象セットと、前記第１観測対象セットに前記第１操作が実行された結果である第１観測結果セットとを含む第１観測データセットに基づき、第１予測モデルを決定することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第１操作が実行される条件付き確率、及び、前記第２操作が実行される条件付き確率を含む第１確率モデルを決定することと、
前記第１観測データセットと、前記第１確率モデルとに基づき、第２予測モデルを決定することと、
少なくとも前記第１予測モデル、前記第２予測モデル及び前記第１確率モデルを含む第１組合せを決定し、前記複数の特徴情報によって表現される前記目標対象に前記第１操作が実行される場合の第１最終結果を前記第１組合せに基づいて予測することと
を含み、
前記第１予測モデルは、前記目標対象に前記第１操作が実行される場合の第１潜在結果を予測するためのものであり、
前記第１確率モデルは、前記目標対象に前記第１操作が実行される確率及び前記第２操作が実行される確率を対応付けて決定するためのものであり、
前記第２予測モデルは、前記第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測し、
前記第２予測モデルを決定することは、
前記第１確率モデルと、前記第１観測対象セットの数と、前記第２観測対象セットの数とに基づき、第１サンプル重みを決定することと、
前記第１サンプル重みと、前記第１観測データセットとに基づき、前記第２予測モデルを決定することと
を含み、
前記第１サンプル重みは、前記第１観測対象セットの分布に対する、前記第２観測対象セットの分布の偏りを補正するためのものである、
操作結果を予測する方法。
前記複数の観測対象に対して、前記第１操作及び前記第２操作と異なる第３操作が実行された第３観測対象セットを抽出することと、
前記第１観測対象セット、前記第２観測対象セット及び前記第３観測対象セットに基づき、前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第３操作が実行される条件付き確率を含む第２確率モデルを決定することと、
前記第１観測データセットと、前記第１確率モデルと、前記第２確率モデルとに基づき、第３予測モデルを決定することと
をさらに含み、
前記第２確率モデルは、前記目標対象に前記第３操作が実行される確率を決定するためのものであり、
前記第３予測モデルは、前記第３観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第３潜在結果を予測し、
前記第３予測モデルを決定することは、
前記第２確率モデルと、前記第１観測対象セットの数と、前記第３観測対象セットの数とに基づき、第２サンプル重みを決定することと、
前記第２サンプル重みと、前記第１観測データセットとに基づき、前記第３予測モデルを決定することと
を含み、
前記第１組合せに基づいて予測することは、前記第１予測モデル、前記第２予測モデル、前記第３予測モデル、前記第１確率モデル及び前記第２確率モデルの出力を組み合わせて第１組合せを決定することを含む、
請求項１に記載の方法。
前記第１予測モデルを決定することは、
前記第１観測対象セットと、前記第１観測結果セットとに基づき、前記第１予測モデルを決定するための第１目標関数を確立することと、
前記第１目標関数を最小化することにより、前記第１予測モデルのモデルパラメータを決定することと
を含む、
請求項１に記載の方法。
第２観測データセットに基づき、第４予測モデルを決定することと、
前記第２観測データセットと、前記第１確率モデルとに基づき、第５予測モデルを決定することと、
少なくとも前記第４予測モデル、前記第５予測モデル及び前記第１確率モデルを含む第２組合せを決定し、前記複数の特徴情報によって表現される前記目標対象に前記第２操作が実行される場合の第２最終結果を前記第２組合せに基づいて予測することと
をさらに含み、
前記第２観測データセットは、前記第２観測対象セットと、前記第２観測対象セットに前記第２操作が実行された結果である第２観測結果セットとを含み、
前記第４予測モデルは、前記目標対象に前記第２操作が実行される場合の第４潜在結果を予測するためのものであり、
前記第５予測モデルは、前記第１観測対象セットに前記第２操作が実行される場合の結果を推定することにより、前記目標対象に前記第２操作が実行される場合の第５潜在結果を予測し、
前記第５予測モデルを決定することは、
前記第１確率モデルと、前記第１観測対象セットの数と、前記第２観測対象セットの数とに基づき、第３サンプル重みを決定することと、
前記第３サンプル重みと、前記第２観測データセットとに基づき、前記第５予測モデルを決定することと
を含み、
前記第３サンプル重みは、前記第２観測対象セットの分布に対する、前記第１観測対象セットの分布の偏りを補正するためのものである、
請求項１に記載の方法。
コンピュータが、目標対象に操作が実行される場合の操作結果を予測する方法であって、
目標対象に対し操作セットのうちの１つの操作が実行されると決定したことに応じて、前記目標対象に対し前記操作セットのうちの第１操作が実行される場合の第１潜在結果を予測することと、
前記目標対象に前記第１操作が実行される第１確率、及び、前記操作セットのうちの前記第１操作と異なる第２操作が前記目標対象に実行される第２確率を決定することと、
前記第２操作が実行された第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測することと、
前記第１潜在結果と、前記第２潜在結果と、前記第１確率と、前記第２確率とに少なくとも基づき、前記目標対象に前記第１操作が実行される場合の第１最終結果を予測することと、
を含み、
前記第１潜在結果を予測することは、
複数の特徴情報によって表現される複数の観測対象に対して、前記第１操作が実行された第１観測対象セットを抽出することと、
前記第１観測対象セットと、前記第１観測対象セットに前記第１操作が実行された結果である第１観測結果セットとを含む第１観測データセットに基づき、第１予測モデルを決定することと、
前記第１予測モデルに基づき、前記第１潜在結果を予測することと
を含み、
前記第１確率及び前記第２確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第２操作が実行された第２観測対象セットを抽出することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第１操作が実行される条件付き確率である前記第１確率、及び、前記第２操作が実行される条件付き確率である前記第２確率を含む第１確率モデルを得ることと
を含み、
前記第２潜在結果を予測することは、
前記第１観測データセットと、前記第１確率モデルと、に基づき決定される第２予測モデルを得ることと、
前記第２予測モデルに基づき、前記第２潜在結果を予測することと
を含み、
前記第１確率モデルは、前記目標対象に前記第１操作及び前記第２操作が実行される確率を対応付けて決定するためのものであり、
前記第２予測モデルは、前記第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測するものであり、
前記第１最終結果を予測することは、
前記第１潜在結果に前記第１確率を乗じた値と、前記第２潜在結果に前記第２確率を乗じた値と、の合計を算出することを含む、
操作結果を予測する方法。
前記操作セットはさらに、前記第１操作及び前記第２操作と異なる第３操作を含み、
前記方法は、
前記目標対象に前記第３操作が実行される第３確率を決定することと、
前記第３操作が実行された第３観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第３潜在結果を予測することと
をさらに含み、
前記第３確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第３操作が実行された第３観測対象セットを抽出することと、
前記第１観測対象セット、前記第２観測対象セット及び前記第３観測対象セットに基づき、前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第３操作が実行される条件付き確率を含む第２確率モデルを得ることと、
前記第２確率モデルに基づき、前記第３確率を決定することと
を含み、
前記第３潜在結果を予測することは、
前記第１観測データセットと、前記第１確率モデルと、前記第２確率モデルとに基づき決定される第３予測モデルを得ることと、
前記第３予測モデルに基づき、前記第３潜在結果を予測することと
を含み、
前記第２確率モデルは、前記目標対象に前記第３操作が実行される確率を決定するためのものであり、
前記第３予測モデルは、前記第３観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第３潜在結果を予測するものであり、
前記第１最終結果を予測することは、
前記第１潜在結果に前記第１確率を乗じた値と、前記第２潜在結果に前記第２確率を乗じた値と、前記第３潜在結果に前記第３確率を乗じた値と、の合計を算出することを含む、
請求項５に記載の方法。
前記目標対象に前記第２操作が実行される場合の第４潜在結果を予測することと、
前記第１操作が実行された前記第１観測対象セットに前記第２操作が実行される場合の結果を推定することにより、前記目標対象に前記第２操作が実行される場合の第５潜在結果を予測することと、
前記第４潜在結果と、前記第５潜在結果と、前記第１確率と、前記第２確率とに少なくとも基づき、前記目標対象に前記第２操作が実行される場合の第２最終結果を予測することと
をさらに含み、
前記第４潜在結果を予測することは、
前記第２観測対象セットと前記第２観測対象セットに前記第２操作が実行された第２観測結果セットとを含む第２観測データセットに基づき決定される第４予測モデルを得ることと、
前記第４予測モデルに基づき、前記第４潜在結果を予測することと
を含み、
前記第５潜在結果を予測することは、
前記第２観測データセットと、前記第１確率モデルとに基づき決定される第５予測モデルを得ることと、
前記第５予測モデルに基づき、前記第５潜在結果を予測することと
を含み、
前記第２最終結果を予測することは、
前記第４潜在結果に前記第２確率を乗じた値と、前記第５潜在結果に前記第１確率を乗じた値と、の合計を算出することを含む、
請求項５に記載の方法。
前記目標対象に前記第１操作が実行される場合の前記第１最終結果と、前記目標対象に前記第２操作が実行される場合の前記第２最終結果との差異を予測することをさらに含む、
請求項７に記載の方法。
プロセッサと、
プロセッサに結合され命令が記憶されているメモリと
を備え、
前記命令がプロセッサにより実行される場合、動作を行い、
前記動作は、
複数の特徴情報によって表現される複数の観測対象に対して、第１操作が実行された第１観測対象セットを抽出することと、
前記複数の観測対象に対して、前記第１操作と異なる第２操作が実行された第２観測対象セットを抽出することと、
前記第１観測対象セットと、前記第１観測対象セットに前記第１操作が実行された結果である第１観測結果セットとを含む第１観測データセットに基づき、第１予測モデルを決定することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第１操作が実行される条件付き確率、及び、前記第２操作が実行される条件付き確率を含む第１確率モデルを決定することと、
前記第１観測データセットと、前記第１確率モデルとに基づき、第２予測モデルを決定することと、
少なくとも前記第１予測モデル、前記第２予測モデル及び前記第１確率モデルを含む第１組合せを決定し、前記複数の特徴情報によって表現される目標対象に前記第１操作が実行される場合の第１最終結果を前記第１組合せに基づいて予測することと
を含み、
前記第１予測モデルは、前記目標対象に前記第１操作が実行される場合の第１潜在結果を予測するためのものであり、
前記第１確率モデルは、前記目標対象に前記第１操作が実行される確率及び前記第２操作が実行される確率を対応付けて決定するためのものであり、
前記第２予測モデルは、前記第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測し、
前記第２予測モデルを決定することは、
前記第１確率モデルと、前記第１観測対象セットの数と、前記第２観測対象セットの数とに基づき、第１サンプル重みを決定することと、
前記第１サンプル重みと、前記第１観測データセットとに基づき、前記第２予測モデルを決定することと
を含み、
前記第１サンプル重みは、前記第１観測対象セットの分布に対する、前記第２観測対象セットの分布の偏りを補正するためのものである、
電子機器。
プロセッサと、
プロセッサに結合され命令が記憶されているメモリと
を備え、
前記命令がプロセッサにより実行される場合、動作を行い、
前記動作は、
目標対象に対し操作セットのうちの１つの操作が実行されると決定したことに応じて、前記目標対象に対し前記操作セットのうちの第１操作が実行される場合の第１潜在結果を予測することと、
前記目標対象に前記第１操作が実行される第１確率、及び、前記操作セットのうちの前記第１操作と異なる第２操作が前記目標対象に実行される第２確率を決定することと、
前記第２操作が実行された第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測することと、
前記第１潜在結果と、前記第２潜在結果と、前記第１確率と、前記第２確率とに少なくとも基づき、前記目標対象に前記第１操作が実行される場合の第１最終結果を予測することと
を備え、
前記第１潜在結果を予測することは、
複数の特徴情報によって表現される複数の観測対象に対して、前記第１操作が実行された第１観測対象セットを抽出することと、
前記第１観測対象セットと、前記第１観測対象セットに前記第１操作が実行された結果である第１観測結果セットとを含む第１観測データセットに基づき、第１予測モデルを決定することと、
前記第１予測モデルに基づき、前記第１潜在結果を予測することと
を含み、
前記第１確率及び前記第２確率を決定することは、
前記複数の特徴情報によって表現される前記複数の観測対象に対して、前記第２操作が実行された第２観測対象セットを抽出することと、
前記複数の観測対象を表現する前記複数の特徴情報に対して、前記第１操作が実行される条件付き確率である前記第１確率、及び、前記第２操作が実行される条件付き確率である前記第２確率を含む第１確率モデルを得ることと
を含み、
前記第２潜在結果を予測することは、
前記第１観測データセットと、前記第１確率モデルと、に基づき決定される第２予測モデルを得ることと、
前記第２予測モデルに基づき、前記第２潜在結果を予測することと
を含み、
前記第１確率モデルは、前記目標対象に前記第１操作及び前記第２操作が実行される確率を対応付けて決定するためのものであり、
前記第２予測モデルは、前記第２観測対象セットに前記第１操作が実行される場合の結果を推定することにより、前記目標対象に前記第１操作が実行される場合の第２潜在結果を予測するものであり、
前記第１最終結果を予測することは、
前記第１潜在結果に前記第１確率を乗じた値と、前記第２潜在結果に前記第２確率を乗じた値と、の合計を算出することを含む、
電子機器。
コンピュータ可読媒体に有形記憶され、前記コンピュータに読み込まれて実行されると請求項１～４のいずれか１項に記載の方法を前記コンピュータに実行させる、前記コンピュータが実行可能な命令が含まれる
コンピュータプログラム製品。
コンピュータ可読媒体に有形記憶され、前記コンピュータに読み込まれて実行されると請求項５～８のいずれか１項に記載の方法を前記コンピュータに実行させる、前記コンピュータが実行可能な命令が含まれる
コンピュータプログラム製品。