DRTCI:学习分离表示从而实现时间因果推断
介绍了一种新的序列到序列模型 —— 对立逆向网络,该模型利用患者日常观察数据,通过对领域敌对训练来处理时间变化混杂物的偏见,以可靠地作出反事实预测。在肿瘤生长的模拟模型中,比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。
Feb, 2020
我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架,通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型,能够消除治疗与协变量之间的线性和非线性依赖关系,并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明,该 DRL 模型在学习去混淆表示方面表现卓越,并且胜过了针对连续治疗的最先进的反事实推理模型。此外,我们将该 DRL 模型应用于实际的医疗数据集 MIMIC,并展示了红细胞宽度分布与死亡率之间的详细因果关系。
Jul, 2023
对于决策制定来说,估计个体对不同治疗剂量的潜在反应至关重要,尤其在精准医学和管理科学领域。本文通过学习与治疗变量独立的协变量表示来预测反事实结果,然而,这种独立性约束忽略了对于反事实预测有用的大量协变量信息,特别是在治疗变量是连续的情况下。为了解决这个问题,本文首先从理论上证明了平衡和预测表示在无偏估计异质剂量响应曲线方面的重要性,即学习得到的表示需满足协变量与两个治疗变量及潜在反应之间的条件独立性。基于此,我们提出了一种新颖的对比平衡表示学习网络,使用部分距离度量,称为 CRNet,用于估计异质剂量响应曲线,同时不丢失治疗剂量的连续性。我们在合成和真实世界数据集上进行了广泛实验,证明了我们的方法显著优于之前的方法。
Mar, 2024
通过对抗对照回归网络(ACFR)以 KL 散度为度量标准对数据集进行平衡,利用注意机制保持治疗价值对结果预测的影响,理论上证明 ACFR 的目标函数是反事实结果预测误差的上界,并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最新方法的优越性。
Dec, 2023
本文提出了一种独特的时间反事实回归方法,通过强调长期预测,强调使用循环神经网络(RNN)进行长期预测,结合对比预测编码(CPC)和信息最大化(InfoMax),避免使用计算昂贵的变换器,捕捉到存在时间变化的混杂因素中的长期依赖关系,通过最大化序列数据和其表示之间相互信息的下界,实现了最先进的反事实估计结果,标志着对比预测编码在因果推断中的先驱性融合。
Jun, 2024
通过使用新的去混淆 actor-critic 网络模型,基于电子健康记录的强化学习机制的动态治疗模式可获得更好的患者个体化通气治疗决策,从而提高患者的预后。
May, 2022
本文提出了一个基于因果关系的 Counterfactual Adversarial Training 框架(CAT),通过对单个样本生成对应的反事实表示,动态调整样本特有的损失权重,以此鼓励模型探索真实的因果关系,实现在句子分类、自然语言推理和问答等领域的显著性能提升。
Sep, 2021
本文提出了一种名为因果关系网络的算法,采用神经网络学习因果模型,并使用连续表示方法表示因果模型,从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型,同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020
本文提出了一种基于 Transformer 的因果模型,通过特定设计的模型和训练方法,能够准确地对复杂、长期相关和混淆因素进行因果推理并估算出时间序列的反事实结果。
Apr, 2022