使用结构化状态空间模型进行反事实结果预测
机器学习
2023-05-17 v1 人工智能
统计方法学
摘要
纵向数据中的反事实结果预测因其潜在的医疗与社会科学应用而近期受到关注。在本文中，我们探索了使用状态空间模型（一种流行的序列模型）来完成该任务。具体而言，我们比较了两个模型的性能：治疗效应神经控制微分方程（TE-CDE）与结构化状态空间模型（S4Model）。尽管 TE-CDE 使用控制微分方程来处理时依混杂，但它存在优化问题且训练缓慢。相比之下，S4Model 在建模长程依赖上更高效且更易训练。我们在一个模拟的肺肿瘤生长数据集上评估这些模型，发现 S4Model 优于 TE-CDE，每轮训练时间减少 1.63 倍，归一化均方误差改善 10 倍。此外，S4Model 在训练期间更稳定，且比 TE-CDE 对权重初始化更不敏感。我们的结果表明，状态空间模型可能是纵向数据反事实结果预测的一种有前景的方法，其中 S4Model 提供了比 TE-CDE 更高效且有效的替代方案。
引用
@article{arxiv.2305.09207,
title = {Counterfactual Outcome Prediction using Structured State Space Model},
author = {Vishal Purohit},
journal= {arXiv preprint arXiv:2305.09207},
year = {2023}
}
备注
Course project