Jun, 2024

G-Transformer：动态和时变治疗制度下的反事实结果预测

PDF
TL;DR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。
counterfactual predictionmedical decision makingtime-varying treatment strategiesg-transformermonte carlo estimates
发现论文，激发创造
  • G-Transformer 用于时间上的条件平均潜在结果估计

    给医学个性化决策做出重要贡献的研究论文，提出了一种新的神经网络模型 G-transformer，用于基于观察数据对治疗效果的时间估计，该模型能够准确、低方差地预测条件期望效果，具有迭代回归和处理电子健康档案的能力。

    May, 2024

  • 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

  • SCouT: 基于时空变换器的合成对事实干预应卫生保健

    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

  • 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

  • 交通流预测的反事实图转换器

    交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。

    Aug, 2023

  • 基于 Transformer 的条件生成对抗网络用于多元时间序列生成

    本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

    Oct, 2022

  • 针对反事实解释的条件生成模型

    该论文提出了一种生成利用条件生成模型来生成稀疏的、在分布中反事实模型解释的通用框架，可适用于不同模态的数据，并说明了该方法在图像、时间序列和混合类型表格数据上的有效性。

    Jan, 2021

  • 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

  • 快速实时的反事实解释

    本文提出了一种优化自由的快速反事实解释算法，利用多领域图像到图像转换算法，通过训练条件变换器实现转换查询图像到任意反事实类别，并仅需在前向时间内仅使用它就能生成解释，该算法较之其他算法更快且更实际可应用。

    Jul, 2020

  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022