协同去混杂与时间泛化用于时间序列反事实结果估计
机器学习
2025-11-21 v1 人工智能
摘要
从时间序列观测中估计反事实结果对于有效决策至关重要，例如何时施以挽救生命的治疗，但仍然极具挑战性，因为（i）反事实轨迹从未被观测到，（ii）混杂因素随时间演化并在每一步扭曲估计。为应对这些挑战，我们提出了一种新颖框架，协同整合两种互补方法：子处理组对齐（Sub-treatment Group Alignment, SGA）和随机时间掩码（Random Temporal Masking, RTM）。SGA 利用迭代处理无关聚类来识别细粒度的子处理组，而非在潜在空间中粗略对齐处理的边缘分布。对齐这些细粒度组可实现改进的分布匹配，从而实现更有效的去混杂。我们在理论上证明了 SGA 优化了反事实风险的一个更紧的上界，并在经验上验证了其去混杂功效。RTM 通过在训练期间随机将输入协变量替换为高斯噪声来促进时间泛化。这鼓励模型更少依赖当前步骤中可能嘈杂或虚假相关的协变量，更多依赖稳定的历史模式，从而提升其跨时间泛化能力并更好地保留底层因果关系。我们的实验表明，虽然单独应用 SGA 和 RTM 可以改善反事实结果估计，但它们的协同组合始终达到最先进的性能。这一成功源于它们不同但互补的角色：RTM 增强跨时间步的时间泛化和鲁棒性，而 SGA 改进每个特定时间点的去混杂。
引用
@article{arxiv.2511.16006,
title = {Synergizing Deconfounding and Temporal Generalization For Time-series Counterfactual Outcome Estimation},
author = {Yiling Liu and Juncheng Dong and Chen Fu and Wei Shi and Ziyang Jiang and Zhigang Hua and David Carlson},
journal= {arXiv preprint arXiv:2511.16006},
year = {2025}
}