SurvCaus:面向生存因果推断的表示平衡方法
机器学习
2022-03-30 v1 机器学习
统计方法学
摘要
个体处理效应(ITE)估计方法近年来日益流行。多数情况下,个体效应更好地表现为条件平均处理效应(CATE)。近来,表示平衡技术在观测数据的因果推断中获得相当关注,但仍局限于连续(及二值)结局。然而,在许多病理中,感兴趣的结局是(可能删失的)生存时间。本文提出了一种表示平衡框架的理论保证,该框架应用于生存设定下的反事实推断,使用能够预测事实与反事实生存函数(进而得到 CATE)的神经网络,并在存在删失及个体层面上进行。我们还展示了在合成与半合成数据集上的大量实验,表明所提扩展优于基线方法。
引用
@article{arxiv.2203.15672,
title = {SurvCaus : Representation Balancing for Survival Causal Inference},
author = {Ayoub Abraich and Agathe Guilloux and Blaise Hanczar},
journal= {arXiv preprint arXiv:2203.15672},
year = {2022}
}