估算具有时间变动混淆因素的个体处理效果
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
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
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。
Feb, 2019
我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题,利用网络信息以增强强可忽略性假设在实际应用中的适用性,并通过图卷积网络学习共享的混淆因素表示,设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验,实验结果一致表明与基准方法相比,我们的模型显示出优越的性能。
Dec, 2023
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
该文提出了 Deconfounding Temporal Autoencoder (DTA) 的方法,通过利用观测到的噪声代理来学习反映真实隐藏混杂因素的隐藏嵌入,从而在利用最新的结果模型来控制隐藏嵌入的条件独立性的同时获得无偏估计的治疗效果个体化评估。
Dec, 2021
本论文提出了一种新算法 ——Dual Weighting Regression (DWR),其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题,同时实验表明该算法优于目前的其他算法。
Oct, 2022
本文研究了从时事件数据中推断异质性处理效应的问题,主要关注学习(离散时间)处理特定条件风险函数,并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。
Oct, 2021
研究人员综述了关于时间序列数据的个体化治疗效应研究,并对理论假设、治疗设置类型和计算框架进行了评论,讨论了时间序列环境下个体化治疗效应研究面临的挑战和未来研究方向。
Feb, 2024