GST-UNet：一种用于存在时变混杂的时空因果推断的神经框架
机器学习
2025-10-29 v2 统计方法学
摘要
从时空观测数据中估计因果效应在公共卫生、环境科学和政策评估中至关重要，而这些领域通常无法进行随机实验。然而，现有方法要么依赖于强结构性假设，要么无法处理诸如干扰、空间混杂、时间遗留效应以及时变混杂等关键挑战——其中协变量受过去处理的影响，并反过来影响未来的处理。我们引入了 GST-UNet（G-计算时空 UNet），这是一个有理论基础的神经框架，它将基于 U-Net 的时空编码器与基于回归的迭代 G-计算相结合，以估计复杂干预序列下的特定位置潜在结果。GST-UNet 明确调整了时变混杂因素，并捕捉了非线性的空间和时间依赖性，从而能够在数据稀缺的环境中从单一观测轨迹进行有效的因果推断。我们在合成实验以及对 2018 年加州坎普大火期间野火烟雾暴露与呼吸系统住院治疗的真实世界分析中验证了其有效性。这些结果共同将 GST-UNet 定位为一个原则性强且即用型的时空因果推断框架，推动了在政策相关和科学领域的可靠估计。
引用
@article{arxiv.2502.05295,
title = {GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding},
author = {Miruna Oprescu and David K. Park and Xihaier Luo and Shinjae Yoo and Nathan Kallus},
journal= {arXiv preprint arXiv:2502.05295},
year = {2025}
}
备注
29 pages, 6 figures, 6 tables, NeurIPS 2025