基于流形的潜在结果与反事实结果生成建模

从观察数据预测潜在结果与反事实结果是individualized decision-making的核心问题，尤其是在临床环境中，治疗选择必须针对每个患者个体化，而非仅依赖总体平均值。在本文中，我们提出PO-Flow，一种连续归一化流（CNF）框架，用于因果推断，联合建模潜在结果分布和基于事实结果条件化的反事实结果。在通过流匹配训练的PO-Flow中，提供了一种统一的方法，用于individualized潜在结果预测、条件平均处理效应估计和反事实预测。通过对观察到的事实结果进行编码并在另一种处理下进行解码，PO-Flow为基于事实结果条件化的反事实预测提供了一种编码-解码机制。此外，PO-Flow支持基于似然的潜在结果评估，使预测能够实现不确定性感知。我们在特定假设下建立了支持性恢复保证，并通过基准数据集的实验结果表明，PO-Flow在潜在结果框架内的各种因果推断任务中表现出色。