面向时变处理的反事实生成模型

估计处理的反事实结果对于公共卫生与临床科学等领域的决策至关重要。通常，处理以序贯、时变的方式施予，导致可能的反事实结果数量呈指数增长。此外，在现代应用中，结果为高维，传统的平均处理效应估计无法捕捉个体间的差异。为应对这些挑战，我们提出了一种新颖的条件生成框架，能够在时变处理下生成反事实样本，而无需显式密度估计。我们的方法通过基于逆概率加权的损失函数仔细处理观测分布与反事实分布之间的分布失配，并支持与最先进的条件生成模型（如引导扩散与条件变分自编码器）集成。我们使用合成与真实数据对我们的方法进行了全面评估。结果表明，我们的方法能够生成高质量的反事实样本，并优于最先进的基线方法。