AAAIMar, 2023

利用隐藏变量从不规则时间序列观测中估计治疗效果

PDF
TL;DR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。
causal analysisindividualized treatment effectlipschitz regularizationneural controlled differential equationsirregular samples
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 从时间事件数据中学习异质性治疗效应的 SurvITE 模型

    本文研究了从时事件数据中推断异质性处理效应的问题，主要关注学习（离散时间）处理特定条件风险函数，并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。

    Oct, 2021

  • 对隐含性混淆下的个体层次因果效应估计中无法量化的无知进行量化

    本文研究了如何使用参数区间估计器在高维观测数据中，从存在未观察到混淆变量的情况下，学习条件平均处理效应（CATE）。提出了一种新的区间估计器来估算可能的 CATE 范围，同时也考虑了样本数量不足或违反重叠假设的情况，并结合模型不确定性，证明了该估计器可以收敛到针对 CATE 的紧密边界。

    Mar, 2021

  • 基于时间序列健康数据的个体化治疗效果估计的观点

    研究人员综述了关于时间序列数据的个体化治疗效应研究，并对理论假设、治疗设置类型和计算框架进行了评论，讨论了时间序列环境下个体化治疗效应研究面临的挑战和未来研究方向。

    Feb, 2024

  • 使用梯度插值和核平滑的连续处理效应估计

    通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。

    Jan, 2024

  • 未观测到的混淆下个体级因果效应的区间估计

    本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。

    Oct, 2018

  • 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