去混淆的时间自编码器:使用噪声代理估计随时间变化的治疗效果
在精确医学、流行病学、经济和市场等多个领域中,估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法,结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略,准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。
Oct, 2023
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
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
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
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
本文提出了一种利用变分自编码器(DRVAE)实现剂量响应曲线估计的新方法,通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子,从而在连续治疗情景下平衡分解的混淆因子,以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明,我们的模型优于当前的最先进方法。
Jun, 2024
本研究提出了一种基于可识别变分自动编码器的灵活方法,用于在现实情况下估算长期因果效应,该情况中代理在短期结果中被观察或具有观察代理。通过恢复所有候选代理中的有效代理,可以进一步设计长期因果效应的无偏估计。实验结果验证了该方法的有效性。
Aug, 2022
通过对复杂动态系统中非线性和非平稳性交互的评估,我们引入了用于因果推断的时间自编码 (TACI) 方法,该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试,我们证明了 TACI 在准确量化各种系统中的动态因果交互方面的能力。我们的研究结果显示了该方法相对于现有方法的有效性,并凸显了我们的方法在建立对物理和生物系统中时间变化交互机制的更深入理解方面的潜力。
Jun, 2024