TCFimt：从个体多重干预视角进行时间反事实预测
机器学习
2022-12-20 v1 机器学习
摘要
确定时间性多重干预的因果效应有助于决策。受限于时变偏差、选择偏差和多重干预的相互作用，从个体时间数据中解耦和估计多重处理效应仍然罕见。为应对这些挑战，我们提出了一个从个体多重干预视角进行时间反事实预测的综合框架（TCFimt）。TCFimt 在 seq2seq 框架中构建对抗性任务以缓解选择偏差和时变偏差，并设计了一个基于对比学习的模块，将混合处理效应解耦为分离的主处理效应和因果交互作用，从而进一步提高估计精度。通过在两个来自不同领域的真实世界数据集上实施实验，所提出的方法在预测特定干预下的未来结果以及选择最优干预类型和时机方面，均表现出优于最先进方法的性能。
引用
@article{arxiv.2212.08890,
title = {TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective},
author = {Pengfei Xi and Guifeng Wang and Zhipeng Hu and Yu Xiong and Mingming Gong and Wei Huang and Runze Wu and Yu Ding and Tangjie Lv and Changjie Fan and Xiangnan Feng},
journal= {arXiv preprint arXiv:2212.08890},
year = {2022}
}