Jul, 2022

SCouT: 基于时空变换器的合成对事实干预应卫生保健

PDF
TL;DR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。
synthetic control methodlinear modelspatiotemporal sequence-to-sequence modelingtransformer modelhealthcare insights
发现论文，激发创造
  • 用因果 Transformer 估计反事实结果

    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

  • COSTAR：改进的自监督学习时间反事实估计

    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

  • 激励感知的合成对照：通过激励式探索实现准确的反事实估计

    我们提出了一种在面板数据设置中激励探索的合成控制方法，通过利用信息设计和在线学习的工具，为单位提供适用的干预建议，从而在不需要明确的单位结果重叠假设的情况下获得有效的对照估计。

    Dec, 2023

  • G-Transformer：动态和时变治疗制度下的反事实结果预测

    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

  • 时空图形反事实：概览

    通过比较不同的反事实模型、理论和方法，并构建统一的图形因果框架，为推断时空反事实提供了一个调查研究。

    Jul, 2024

  • 时间变化治疗的反事实生成模型

    本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。

    May, 2023

  • 反事实和合成控制的精确稳健的符合性推断方法

    介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。

    Dec, 2017

  • 基于模型的反事实综合器用于解释

    我们提出了一种称为 Model-based Counterfactual Synthesizer (MCS) 的框架，用于解释机器学习模型，它是一种模型解释的新型方法，基于假设数据集构建计算模型的 “反事实解释”，通过使用 CGAN 生成器和 Umbrella Sampling 技术加强设计的正确性，验证了在多个数据集上的有效性和效率，并与其他替代方案进行了比较。

    Jun, 2021

  • 对比学习的反事实数据增强

    引入了一种无模型数据增强方法来解决不同治疗组之间的统计偏差问题，通过学习表示空间和相似度度量，确保接近的个体拥有相似的潜在结果，从而可靠地预测替代治疗组中个体的反事实结局，并有效减小不同治疗组之间的差异，进而提高现有模型的性能和抗过拟合能力的实验研究表明方法具有显著的改进。

    Nov, 2023

  • 因果对照学习在时间上的反事实回归

    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