个性化反事实框架：从可穿戴数据生成潜在结果
机器学习
2025-08-21 v1
摘要
可穿戴传感器数据为个性化健康监测提供了机会，但从其复杂的纵向数据流中提取可操作性见解具有挑战性。本文提出一个从多变量可穿戴数据中学习个性化反事实模型的框架，使能够探索假设情景以理解生活方式选择的个体特定后果。我们的方法首先通过多模态相似性分析将来自相似患者的数据增强到个人数据集中。随后采用时序 PC(Peter-Clark)算法变体发现预测关系，建模 t 时刻变量如何影响 t-1 时刻的生理变化。利用梯度提升机训练这些发现的关系，以量化个体特定的效应。这些模型驱动反事实引擎投射生理轨迹下的假设干预情景(如活动或睡眠变化)。我们通过一步-ahead 预测验证和评估干预的合理性与影响进行评估。评估结果显示，合理的预测精度(如心率均值 MAE 为 4.71 bpm)和较高的反事实合理性(中位数为 0.9643)。关键是，这些干预揭示了生活方式变化反应的显著个体差异，显示该框架在个性化见解方面的潜力。本工作为探索个性化健康动态并生成关于个体对生活方式变化反应的假设提供了工具。
引用
@article{arxiv.2508.14432,
title = {Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data},
author = {Ajan Subramanian and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2508.14432},
year = {2025}
}