基于隐混杂因子从不规则时间序列观测估计处理效应
机器学习
2023-03-07 v1
摘要
时间序列数据的因果分析，特别是估计个体处理效应（ITE），是金融、零售、医疗等许多真实应用场景中的一项关键任务。真实世界的时间序列可能包含大规模、不规则和间歇性的时间序列观测，这给现有试图估计处理效应的研究带来了重大挑战。具体而言，隐混杂因子的存在会导致有偏的处理估计，并使因果推断过程复杂化。特别是，超出典型范围的异常隐混杂因子会导致高方差估计。此外，在具有不规则样本的连续时间设定下，直接处理因果关系的动态变化具有挑战性。在本文中，我们利用 Lipschitz 正则化和神经控制微分方程（CDE）的最新进展，开发了一个有效且可扩展的解决方案，即 LipCDE，以应对上述挑战。LipCDE 通过考虑由 Lipschitz 约束神经网络给出的隐混杂因子的边界，可以直接对不规则样本下历史数据与结果之间的动态因果关系进行建模。此外，我们在合成和真实世界数据集上进行了大量实验，以证明 LipCDE 的有效性和可扩展性。
引用
@article{arxiv.2303.02320,
title = {Estimating Treatment Effects from Irregular Time Series Observations with Hidden Confounders},
author = {Defu Cao and James Enouen and Yujing Wang and Xiangchen Song and Chuizheng Meng and Hao Niu and Yan Liu},
journal= {arXiv preprint arXiv:2303.02320},
year = {2023}
}
备注
Accepted by AAAI 2023