DRTCI：用于时序因果推断的解耦表示学习
机器学习
2022-01-21 v1 人工智能
摘要
评估患者替代治疗方案的医学专业人员常遇到时变混杂因子，即同时影响未来治疗分配与患者结局的协变量。近期提出的反事实循环网络 (CRN) 通过使用对抗训练来平衡患者数据的循环历史表示，从而处理时变混杂因子。然而，该工作假设所有时变协变量均为混杂因子，因而试图平衡完整状态表示。鉴于实际可能为混杂因子的协变量子集通常未知，近期关于静态非时序设定下反事实评估的工作表明，将协变量表示解耦为独立因子（其中每个因子影响治疗选择、患者结局或二者皆有）有助于隔离选择偏差，并将平衡工作限制于影响结局的因子，使其余预测治疗而无需被平衡的因子得以保留。
引用
@article{arxiv.2201.08137,
title = {DRTCI: Learning Disentangled Representations for Temporal Causal Inference},
author = {Garima Gupta and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:2201.08137},
year = {2022}
}
备注
Accepted in Workshop on "The Neglected Assumptions in Causal Inference" at ICML 2021 (July)