使用神经控制微分方程对反事实结局进行连续时间建模
机器学习
2022-06-17 v1 机器学习
摘要
估计随时间变化的反事实结局有潜力通过协助决策者回答“如果(what-iF)”问题来解锁个性化医疗。现有的因果推断方法通常考虑观测与治疗决策之间规则的离散时间间隔，因此无法自然地对不规则采样数据进行建模，而不规则采样正是实践中的常见设定。为处理任意观测模式，我们将数据解释为来自底层连续时间过程的样本，并提议使用控制微分方程的数学工具显式建模其潜在轨迹。这引出了一种新方法——治疗效应神经控制微分方程(TE-CDE)，其允许在任何时间点评估潜在结局。此外，采用对抗训练来调整时依混杂，这在纵向设定中至关重要且是传统时间序列未遇到的额外挑战。为评估该问题的解决方案，我们提出一个基于肿瘤生长模型的可控仿真环境，涵盖反映多种临床场景的不规则采样情形。TE-CDE 在所有不规则采样的仿真场景中持续优于现有方法。
引用
@article{arxiv.2206.08311,
title = {Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations},
author = {Nabeel Seedat and Fergus Imrie and Alexis Bellot and Zhaozhi Qian and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2206.08311},
year = {2022}
}
备注
Presented at the International Conference on Machine Learning (ICML) 2022