IGC-Net：用于随时间变化的条件平均潜在结果估计
机器学习
2026-02-18 v4 统计方法学
摘要
基于观测数据估计随时间变化的治疗潜在结果，对于个性化医疗决策至关重要。然而，许多现有的此类方法未能正确调整时变混杂因素，从而产生有偏估计。只有少数神经网络方法进行了适当调整，但这些方法存在固有限制（例如，除以通常接近零的倾向得分），导致性能不佳。作为补救措施，我们引入了迭代 G 计算网络（IGC-Net）。我们的 IGC-Net 是一种新颖的神经端到端模型，它调整时变混杂因素以估计随时间变化的条件平均潜在结果（CAPO）。具体来说，我们的 IGC-Net 是第一个在时变设置下对 CAPO 执行完全基于回归的迭代 G 计算的神经模型。我们通过各种实验评估了 IGC-Net 的有效性。总之，这项工作代表了从电子健康记录迈向个性化医疗决策的重要一步。
引用
@article{arxiv.2405.21012,
title = {IGC-Net for conditional average potential outcome estimation over time},
author = {Konstantin Hess and Dennis Frauen and Valentyn Melnychuk and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2405.21012},
year = {2026}
}