C-kNN-LSH：用于顺序反事实推断的最近邻算法
机器学习
2026-02-03 v1 机器学习
摘要
从纵向轨迹中估计因果效应是理解复杂疾病病情发展和优化临床决策（如共病和长期新冠康复）的核心任务。我们引入\emph{C-kNN--LSH}，一个针对高维、受混杂情况的顺序因果推断的最近邻框架。通过利用局部敏感哈希，我们高效地识别出“临床双胞胎”，即病例血清历史相似的患者，从而在不断演变的疾病状态下进行条件治疗效应的局部估计。为缓解不规则抽样和患者康复轮廓变化带来的偏差，我们将邻域估计器与双鲁棒校正相结合。理论分析保证了我们的估计器是一致的，并且对nuisance误差具有二阶鲁棒性。在拥有13,511名参与者的真实世界长期新冠队列上，\emph{C-kNN-LSH}在捕捉康复异质性和估计政策价值方面优于现有基准方法。
引用
@article{arxiv.2602.02371,
title = {C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference},
author = {Jing Wang and Jie Shen and Qiaomin Xie and Jeremy C Weiss},
journal= {arXiv preprint arXiv:2602.02371},
year = {2026}
}