Feb, 2019

时间序列去混杂因素法：在隐含混杂因素的情况下估计时间依赖的治疗效果

PDF
TL;DR本研究提出了一种称为时间序列去混杂器的方法，利用多重处理来估计存在多因素潜在混杂变量时的治疗效应，并使用新颖的递归神经网络架构进行因素建模和推断潜在变量，从而替代多因素未观察到的混淆变量，进行因果推断，从而得到时间变化曝露的无偏因果效应估计。
estimationtreatment effectsobservational datacausal inferencerecurrent neural network
发现论文，激发创造
  • 利用连续解混进行因果推断及处理未观测到的混淆因素

    本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。

    Apr, 2021

  • 在存在潜在混淆变量情况下，估计连续时间中的治疗效果

    本文通过应用神经微分方程建立潜在因子模型，使用随机控制微分方程和 Lipschitz 限制卷积操作，不断纳入关于进行中干预和不规则的样本观测的信息，以在动态时间设置中存在隐藏因素的情况下连续估计处理效应。

    Feb, 2023

  • 估算具有时间变动混淆因素的个体处理效果

    本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

    Aug, 2020

  • 利用隐藏变量从不规则时间序列观测中估计治疗效果

    本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程（CDE）的方法，名为 LipCDE，用于解决时序数据的因果分析问题，该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况，并通过实验验证了方法的有效性和可扩展性。

    Mar, 2023

  • 多元因素的福祉

    利用无监督机器学习和预测性模型检查相结合实现多因素下因果推理的去混淆算法并提出其理论，对半真实数据和真实数据进行性能测试，表明该算法比传统因果推理方法需要的假设更弱且更接近真实因果效应。

    May, 2018

  • 连续时间中因果效应的统计建模

    本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。

    Oct, 2004

  • DecoR：使用鲁棒回归解除时间序列中的混杂

    通过在频域内使用鲁棒线性回归，估计由第三个未观测时间序列混淆的两个时间序列之间的因果效应。

    Jun, 2024

  • 隐变量混淆的多重因果推断

    本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

    May, 2018

  • 学习分解表示以进行因果推断

    该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

    Jun, 2020

  • 个体化治疗效果估计中的对抗性去混淆

    该论文提出用对抗训练来选择性平衡混淆因素，以解决观察研究中个性化治疗效应（ITE）估计的基本问题，并通过反事实推断帮助估计 ITE。在合成和真实世界数据集上的实证结果表明，该方法改善了现有方法，在 ITE 估计中实现了更低的误差。

    Oct, 2022