用因果 Transformer 估计反事实结果
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
基于 G-Transformer 框架的对动态和时间变化的治疗策略进行反事实预测的研究中,通过模拟患者在感兴趣的治疗策略下的前进轨迹,使用 Transformer 架构捕获时间变化的协变量的复杂长程依赖并评估该框架的性能。
Jun, 2024
提出了一种在干预前使用局部时空信息预估反事实序列借助于位置编码、修改的解码器注意力掩码和新的预训练任务的 Transformer 模型,可以生成有用的医疗洞见和对疾病的干预策略进行评估的结果。
Jul, 2022
本文介绍了 COunterfactual Self-supervised TrAnsformeR(COSTAR),这是一种集成自我监督学习以改进历史表示的新方法。该方法将时间和特征注意力与针对时间处理结果观察的分量对比损失相结合,相较于现有模型在估计准确性和推广到分布外数据方面表现出卓越性能,经过合成和真实世界数据的实证结果验证。
Nov, 2023
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
该研究旨在通过提出可自我解释的 Counterfactual Time Series (CounTS) 模型,从而生成针对时间序列预测的反事实和可操作性解释,该模型可以提供更好的反事实解释,同时保持相当的预测准确性,并建立相应的评估方案。
Jun, 2023
使用可解释的多智能体系统反事实循环网络进行干预效应评估的长期预测方法,最终在自动驾驶、生物智能体和篮球计分方案的模拟实验与实际数据中证明了其优于传统方法的效果。
Jun, 2022
我们提出了一种方法,通过利用原始高维空间的鲁棒一维潜在子空间,并利用在该空间上的单变量因果模型的高效估计,同时减轻了多变量因果模型中存在的问题,从而捕捉了相关结构并产生了反事实分布的良好估计。
Nov, 2023