CEPAE：基于条件熵惩罚的自编码器用于时间序列反事实

准确执行时间序列反事实推断在像金融、医疗和营销等领域的决策中至关重要，因为它允许我们了解事件或治疗对随时间变化的结果产生的影响。本文提出一种针对受市场事件影响的时间序列数据的反事实推断方法，灵感来自工业应用。我们首先适应基于变分自编码器和对抗自编码器的方法，这些方法虽然已在反事实文献中使用，但尚未在时间序列领域中使用。然后，我们提出条件熵惩罚自编码器 (CEPAE)，一种用于反事实推断的新型自编码器方法，该方法在潜在空间上采用熵惩罚损失，以鼓励数据表示解耦。我们在合成数据、准合成数据和真实数据集上对该方法进行了理论和实验验证，结果表明 CEPAE 在评估的指标上通常优于其他方法。