Детальная информация

Estimating Heterogeneous Treatment Effects (HTE) is crucial for personalized decision-making in medicine, economics and engineering. While machine learning models for Conditional Average Treatment Effect (CATE) estimation have become increasingly accurate, they often remain black boxes, providing little insight into why treatments affect individuals differently. This paper introduces CATE-Concept Bottleneck Model (CATE-CBM), a novel framework that integrates concept-based learning with CATE estimation to bridge this interpretability gap. Our approach enforces a concept bottleneck that forces the model to express treatment effects through understandable concepts, enabling transparent reasoning about which concepts drive heterogeneous effects. Through experiments on a modified MNIST dataset, we demonstrate that CATE-CBM maintains competitive accuracy while providing meaningful concept-based explanations of treatment effect heterogeneity. The model successfully identifies how both the presence and absence of specific concepts influence treatment outcomes, offering clinicians and engineers both accurate effect estimates and interpretable rationales for personalized interventions. This work represents the first unification of concept bottleneck models with causal effect estimation, advancing the frontier of explainable artificial intelligence in causal inference.

Оценка условного эффекта лечения имеет решающее значение для персонализированного принятия решений в медицине, экономике и технике. Хотя модели машинного обучения для оценки условного среднего эффекта лечения (CATE) становятся все более точными, они часто остаются "черными ящиками", не давая понимания того, почему лечение по-разному влияет на различных людей. Данная работа представляет новую модель CATE-CBM, которая интегрирует обучение на основе концептов с оценкой CATE, чтобы преодолеть этот разрыв в интерпретируемости. Предлагаемый подход использует обучение на концептах, заставляя модель выражать эффекты лечения через понятные для человека концепты, что позволяет прозрачно объяснять, какие именно концепты обуславливают эффекты. В экспериментах на модифицированном наборе данных MNIST демонстрируется, что CATE-CBM сохраняет конкурентоспособную точность, одновременно предоставляя содержательные объяснения предсказания эффекта лечения на основе концептов. Модель успешно идентифицирует, как присутствие или отсутствие конкретных концептов влияет на результаты лечения, предлагая клиницистам и политикам как точные оценки эффекта, так и интерпретируемые обоснования для персонализированных вмешательств. Данная работа представляет собой первую унификацию моделей с обучением на концептах и оценкой причинно-следственных связей, продвигая границы объяснимого искусственного интеллекта.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 18, № 4, 2025. — 1 файл (8,6 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j26-106.pdf>.