Oct, 2022

个体化治疗效果估计中的对抗性去混淆

PDF
TL;DR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。
observational studiesmachine learningindividualized treatment effectsadversarial trainingbinary treatment
发现论文，激发创造
  • 学习分解表示以进行因果推断

    该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

    Jun, 2020

  • 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

  • 利用连续解混进行因果推断及处理未观测到的混淆因素

    本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。

    Apr, 2021

  • 连续治疗效果估计的对抗平衡表示

    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

  • 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

    该文提出了 Deconfounding Temporal Autoencoder (DTA) 的方法，通过利用观测到的噪声代理来学习反映真实隐藏混杂因素的隐藏嵌入，从而在利用最新的结果模型来控制隐藏嵌入的条件独立性的同时获得无偏估计的治疗效果个体化评估。

    Dec, 2021

  • 多个治疗方法网络设置中的个体因果效应估计

    我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题，利用网络信息以增强强可忽略性假设在实际应用中的适用性，并通过图卷积网络学习共享的混淆因素表示，设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验，实验结果一致表明与基准方法相比，我们的模型显示出优越的性能。

    Dec, 2023

  • 在存在潜在混淆变量情况下，估计连续时间中的治疗效果

    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

  • 异质干扰下的治疗效果估计

    通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。

    Sep, 2023

  • 利用解缠的潜在因素进行治疗效果估计

    该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。

    Jan, 2020

  • 时间序列去混杂因素法：在隐含混杂因素的情况下估计时间依赖的治疗效果

    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