基于 Transformer 的时空反事实结果估计

He Li; Haoang Chi; Mingyu Liu; Wanrong Huang; Liyang Xu; Wenjing Yang

基于 Transformer 的时空反事实结果估计

统计方法学 2025-06-27 v1 人工智能机器学习

作者: He Li , Haoang Chi , Mingyu Liu , Wanrong Huang , Liyang Xu , Wenjing Yang

摘要

现实世界天然具有时间与空间维度。因此，估计具有时空属性的反事实结果是一个关键问题。然而，以往方法基于经典统计模型，在性能和泛化能力上仍存在局限性。本文提出了一种利用 Transformer 估计具有时空属性的反事实结果的新框架，展现出更强的估计能力。在温和的假设下，该框架内提出的估计量具有一致性和渐近正态性。为了验证我们方法的有效性，我们进行了模拟实验和真实数据实验。模拟实验表明，我们的估计量比基线方法具有更强的估计能力。真实数据实验为哥伦比亚武装冲突对森林丧失的因果效应提供了有价值的结论。源代码可在 https://github.com/lihe-maxsize/DeppSTCI_Release_Version-master 获取。

关键词

反事实结果时空估计 Transformer 因果推断渐近正态性

引用

@article{arxiv.2506.21154,
  title  = {Transformer-Based Spatial-Temporal Counterfactual Outcomes Estimation},
  author = {He Li and Haoang Chi and Mingyu Liu and Wanrong Huang and Liyang Xu and Wenjing Yang},
  journal= {arXiv preprint arXiv:2506.21154},
  year   = {2025}
}

备注

24 pages, accepted at ICML 2025

基于 Transformer 的时空反事实结果估计

摘要

关键词

引用

备注

相关论文