AAAIMar, 2022

从病人轨迹估计平均因果效应

PDF
TL;DR本文介绍了 DeepACE，一种基于深度学习的方法，旨在从医疗数据中估计平均因果效应（ACE），并提供了包括病人个体特征在内的时间变化的观测数据。实验结果表明，DeepACE 在性能上达到了最先进的水平，并可生成对临床实践有意义的结果，从而实现有效的群体效应治疗建议。
发现论文，激发创造
  • 多 CATE: 对未知协变量转变健壮的多准确条件平均处理效应估计

    通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。

    May, 2024

  • 通过潜变量模型估算单臂试验的治疗效果

    我们提出了一个可识别的深度潜变量模型，可以用于单臂试验中的治疗效果估计，并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示，我们的方法在患者配对和直接治疗效果估计方面显示出比先前方法更优的性能。

    Nov, 2023

  • 双重补偿学习在治疗效果估计中的无结构优化性

    在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。

    Feb, 2024

  • 使用神经控制微分方程连续建模对照结果

    借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

    Jun, 2022

  • 结构治疗的因果效应推断

    本文提出了广义 Robinson 分解方法，用于处理结构化干预条件下的条件平均处理效应（CATE）估计问题。在小世界和分子图像的实验中，与之前的工作相比，我们的方法在 CATE 的估计方面表现更好。

    Jun, 2021

  • 高维数据的程序评估和因果推论

    本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

    Nov, 2013

  • 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

  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 可解释的深度因果学习用于调节效应

    本文介绍一种新的深度反事实学习架构，旨在解决因果机器学习模型中的可解释性和定向正则化问题，并演示了其在估计个体治疗效果方面的应用。

    Jun, 2022