PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction
University of Minnesota(明尼苏达大学);National Library of Medicine(美国国家医学图书馆);Inha University(仁荷大学);University of Michigan(密歇根大学)
针对患者癌症治疗反应预测的稀缺数据和肿瘤异质性问题,提出PerturbRx框架,通过学习治疗条件潜在迁移实现精准预测,在TCGA等基准中表现最优。
2026-08-24 cs.LG q-bio.QM
Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning
University of California, Los Angeles(加州大学洛杉矶分校);University of Oxford(牛津大学);University at Buffalo(布法罗大学)
从观察数据中估计个体治疗效果(ITE)在医学上是必不可少的。估计ITE的一个核心挑战是处理混杂因素,这些因素是影响干预及其结果的因素。大多数以前的工作依赖于unconfoundedness假设,假设所有的混杂因素都在观测数据中测量。但是,如果存在不可测量的(潜在的)混杂因素,则会引入混杂偏倚。幸运的是,潜在混杂因素的噪声代理通常是可用的,并且可以用于对ITE进行无偏估计。在本文中,我们开发了一种新的对抗性学习框架,使用噪声代理对ITE进行无偏估计。
2018-11-21 cs.LG stat.ML
Multiple Causal Inference with Latent Confounding
New York University(纽约大学);Columbia University(哥伦比亚大学)
从观察数据中进行因果推断需要假设。这些假设的范围从测量混杂因素到识别工具。传统上,因果推断假设集中于估计单一治疗的效果。在这项工作中,我们构建技术,估计与多个治疗存在未观察到的混杂。我们开发了两个假设的基础上共享的混杂因素之间的治疗和治疗的独立性的混杂因素。总之,这些假设导致一个混杂估计正则化的互信息。对于这个估计,我们开发了一个易于处理的下界。为了恢复处理效应,我们在处理中使用独立于混杂因素的剩余信息。我们验证模拟和一个例子,从临床医学。
2019-03-01 cs.LG stat.ML
Treatment effect estimation with disentangled latent factors
University of South Australia(南澳大利亚大学)
许多研究致力于从观察数据估计治疗效果的问题;然而,大多数方法假设观察变量仅包含混杂因素,即,影响治疗和结果的变量。不幸的是,这一假设在现实世界的应用中经常被违反,因为一些变量只影响治疗而不影响结果,反之亦然。此外,在许多情况下,只能观察到潜在混杂因素的代理变量。在这项工作中,我们首先表明区分混杂因素与工具和风险因素对于平均和条件平均治疗效果估计的重要性,然后我们提出了一种变分推理方法,同时从观察变量中推断潜在因素,将因素分解为三个不相交的集合,分别对应于工具,混杂和风险因素,并将解缠后的因子用于治疗效果评估。实验结果表明,该方法的有效性在广泛的合成,基准和真实世界的数据集。
2021-04-26 cs.LG stat.ML
medDreamer: Model-Based Reinforcement Learning with Latent Imagination on Complex EHRs for Clinical Decision Support
National University of Singapore(新加坡国立大学)
medDreamer通过结合潜在想象和自适应特征集成模块,实现基于复杂电子病历的模型驱动强化学习,以提升个性化治疗推荐的性能。
2025-12-02 cs.AI cs.LG
A Deep Latent-Variable Model Application to Select Treatment Intensity in Survival Analysis
University of Toronto(多伦多大学)
在下面的短文中,我们采用了一种新的流行的机器学习模型来推断医疗数据集。我们的方法是基于变分自动编码器(VAE)的框架,我们适应生存分析的小数据集缺失值。在我们的模型中,真实的健康状况表现为一组影响观察到的协变量和生存机会的潜在变量。我们表明,这种灵活的模型允许有见地的决策,使用预测的分布和优于经典的生存分析模型。
2018-11-29 cs.LG stat.ML
Estimating treatment effects from single-arm trials via latent-variable modeling
Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学);Helsinki University Hospital(赫尔辛基大学医院);Bayer Oy(拜耳公司(Oy形式))
针对单臂试验需借助外部对照的问题,提出可识别深度潜变量模型,利用摊销变分推断处理协变量缺失并支持患者匹配或直接疗效估计,实验显示性能优于以往方法。
2024-03-04 cs.LG stat.ML
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence(莫莫德·本·扎耶德人工智能大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种新的因果公式,通过建模后处理选择和干预反应,识别因果关系、潜在混杂因素和选择模式,提升因果发现的准确性。
2026-02-25 cs.LG stat.ME
Beyond Flatland: A Geometric Take on Matching Methods for Treatment Effect Estimation
Microsoft Research(微软研究院)
本文提出GeoMatching方法,通过学习低维潜在黎曼流形并在潜在空间中进行匹配,利用数据内在几何结构提升处理效应估计的鲁棒性和有效性,在高维、离群点和半监督场景下均表现更优。
2025-05-05 cs.LG
Latent Utility Q-Learning for Preference-Adaptive Dynamic Treatment Regimes
Department of Biostatistics UNC Chapel Hill(生物统计学系,北卡罗来纳大学教堂山分校);Department of Clinical Pharmacy UCSF(临床药学系,旧金山大学)
该研究针对DTR方法无法处理多竞争结果权衡的问题,提出LUQ-Learning,通过条件均值分解解耦偏好估计与结果回归,经SMARTs模拟验证其性能优于多种对比方法。
2026-08-07 cs.LG stat.ME stat.ML
Using latent representations to link disjoint longitudinal data for mixed-effects regression
Institute of Medical Biometry and Statistics (IMBI), Medical Faculty and Medical Center – University of Freiburg, Germany(医学生物统计学研究所(IMBI)、医学 faculty 和医疗中心——弗赖堡大学,德国);Freiburg Center for Data Analysis, Modeling and AI – University of Freiburg, Germany(弗赖堡数据分析、建模和人工智能中心——弗赖堡大学,德国);Department of Mathematical Stochastics, Mathematical Institute – University of Freiburg, Germany(数学随机过程系、数学研究所——弗赖堡大学,德国);Department of Neuropediatrics and Muscle Disorders, Medical Faculty and Medical Center – University of Freiburg, Germany(神经发育学与肌肉疾病系、医学 faculty 和医疗中心——弗赖堡大学,德国);Bonn Center for Mathematical Life Sciences – University of Bonn, Germany(波恩数学生命科学中心——波恩大学,德国);Life and Medical Sciences (LIMES) Institute – University of Bonn, Germany(生命科学与医学科学(LIMES)研究所——波恩大学,德国);CIBSS, Centre for Integrative Biological Signalling Studies – University of Freiburg, Germany(整合生物信号研究中心(CIBSS)——弗赖堡大学,德国)
本文提出利用变分自编码器将不同测量工具的不连续纵向数据映射到共享潜在空间,并结合混合效应回归与新型统计检验方法,在罕见病小样本条件下量化治疗切换效应,以脊髓性肌萎缩症为例验证了方法的有效性。
2025-11-05 cs.AI cs.LG stat.ML
Latent Variable Modeling for Robust Causal Effect Estimation
Keio University(Keio大学);Yokohama City University(Yokohama市立大学)
本文提出将潜变量建模融入双重机器学习(DML)第二阶段的框架,以处理未观测混杂因素,并在合成与真实数据上验证其稳健因果效应估计能力。
2025-08-27 cs.LG
A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data
Graduate School of Medicine, Kyoto University(京都大学医学研究科);Institute for the Advanced Study of Human Biology (ASHBi), Kyoto University(京都大学人类高等生物学研究所)
本研究提出基于深度状态空间模型的EHR时间序列无监督分析框架,在12695名癌症患者数据上验证其可发现预后相关潜在状态、识别药物相关状态转换,优于现有方法,可辅助临床决策。
2023-07-21 cs.LG
Causal Inference using Gaussian Processes with Structured Latent Confounders
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院)
潜在混杂因素-影响治疗和结果的未观察到的变量-可以使因果效应的估计产生偏差。在某些情况下,这些混杂因素在观察中是共享的,例如,除了他们单独接受的任何教育干预外,所有参加课程的学生都受到课程难度的影响。本文介绍了如何半参数模型的潜在混杂因素,具有这种结构,从而提高因果效应的估计。关键的创新是一个分层贝叶斯模型,高斯过程与结构化的潜在混杂因素(GP-SLC),和一个蒙特卡罗推理算法,该模型的基础上,椭圆切片采样。GP-SLC提供了个体处理效应的原则性贝叶斯不确定性估计,对与混杂因素、协变量、治疗和结局相关的函数形式进行了最小假设。最后,本文表明,GP-SLC是竞争力或更准确的比广泛使用的因果推断技术的三个基准数据集,包括婴儿健康与发展计划和数据集显示的影响,不断变化的温度对全州的能源消耗在新英格兰。
2020-07-14 cs.LG stat.ME stat.ML
Treatment response as a latent variable
Memorial Sloan Kettering Cancer Center(纪念斯隆凯特琳癌症中心);Stanford University(斯坦福大学)
针对区分治疗反应者与非反应者的统计推断问题,提出因果两组(C2G)模型及半参数、完全非参数两种经验贝叶斯方法,控制错误发现率且具近最优功效,在癌症免疫治疗数据集上恢复临床验证的预测生物标志物。
2025-02-12 cs.LG stat.ME stat.ML
Latent Space Arc Therapy Optimization
UT Health San Antonio(圣安东尼奥德州大学健康科学中心);UT Southwestern Medical Center(德州大学西南医学中心)
调容弧治疗规划是一个具有挑战性的高维非凸优化问题。传统上,诸如注量图优化通知的分段初始化之类的算法使用局部最优解来从合理的起点开始对全弧治疗计划空间的搜索。这些例程促进弧形治疗优化,使得可以在大约10分钟内创建临床上令人满意的放射治疗计划。然而,目前的优化算法有利于解决方案附近的初始化点,是慢于必要的,由于计划overparameterization。在这项工作中,通过使用无监督深度学习减少治疗计划的有效维度来解决弧形治疗过度参数化。然后基于低维弧表示构建优化引擎,这有助于更快的规划时间。
2021-05-24 cs.LG
Sets of autoencoders with shared latent spaces
自动编码器接收输入数据的潜在模型。在最近的工作中,他们也估计输入的概率密度函数。这一事实使得使用贝叶斯决策理论成为可能。如果我们在参数估计任务中获得每个类或参数空间中的某些点的输入数据的潜在模型,则我们能够估计参数空间中的那些类或点的似然函数。我们展示了如何设置的autoencoders解决识别问题。每个自动编码器描述其自己的模型或上下文,在潜在空间中呈现输入数据的潜在向量可以被称为在其上下文中的处理。共享自动编码器的潜在空间提供了一个非常重要的属性,即能够分离处理和上下文,其中输入信息通过自动编码器集进行处理。这项工作有两个显着和最有价值的结果:一个机制,显示了一种可能的方式形成抽象概念和一种方式,减少数据集的大小在训练过程中。这些结果通过文章中提出的测试得到证实。
2018-11-06 cs.CV cs.LG
HiSTOR: Structured Treatment-outcome Representation Learning for High-Dimensional Longitudinal Data
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Yale University(耶鲁大学)
针对高维协变量和时变混杂下个性化决策的潜在结果估计难题,提出HiSTOR端到端框架,结合非线性降维与纵向反事实预测,在CVSim和CancerSim上优于现有最优方法,实现高维协变量调整与纵向潜在结果预测的统一。
2026-10-14 cs.AI cs.LG
Non parametric estimation of causal populations in a counterfactual scenario
Dauphine-PSL University(巴黎第九大学-巴黎文理大学)
在因果关系中,估计治疗的效果而不混淆推断仍然是一个主要问题,因为需要评估治疗和不治疗两种情况下的结果。由于不能同时观察这两种情况,估计潜在结果仍然是一项具有挑战性的任务。我们提出了一种创新的方法,将问题重新表述为缺失的数据模型。目的是估计\emph{causal populations}的隐藏分布,定义为治疗和结局的函数。因果自动编码器(CAE),增强了依赖于治疗和结果信息的先验,同化潜在空间的目标人群的概率分布。特征在被减少到潜在空间并受到网络中间层中引入的包含治疗和结果信息的掩模的约束后被重建。
2021-12-08 cs.LG stat.ME
Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments
Columbia University(哥伦比亚大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
对于精神障碍,患者的潜在精神状态是未观察到的潜在结构,其必须从观察到的多域测量(例如诊断症状和患者功能评分)推断。此外,需要解决患者之间疾病诊断的实质性异质性,以优化个体化治疗策略,从而实现精准医疗。为了应对这些挑战,我们提出了一个集成的学习框架,可以同时学习患者的潜在精神状态,并为每个人推荐最佳治疗方法。这种学习框架是基于精神病学的测量理论,用于将多种疾病诊断措施建模为由潜在原因(真实精神状态)引起的。它允许将多变量的治疗前和治疗后的结果以及生物学措施,同时保留不变的结构,代表患者的潜在的精神状态。使用多层神经网络以允许复杂的治疗效果异质性。通过比较患者在不同治疗下的潜在心理状态,可以推断出未来患者的最佳治疗策略。模拟数据和真实世界的临床试验数据的实验表明,学习的治疗策略相比,有利的异质性治疗效果的替代方法,并具有广泛的实用程序,导致更好的患者在多个领域的结果。
2020-10-30 cs.LG stat.ML
Fairness Through Causal Awareness: Learning Latent-Variable Models for Biased Data
University of Toronto(多伦多大学);Vector Institute(向量研究所)
我们如何从有偏见的数据中学习?历史数据集通常反映了历史偏见;敏感或受保护的属性可能会影响观察到的治疗和结果。负责从这些数据集准确预测结果的分类算法往往会复制这些偏差。我们提倡一种因果建模方法来从有偏见的数据中学习,探索公平分类和干预之间的关系。我们提出了一个因果模型,其中敏感属性混淆治疗和结果。基于之前在深度学习和生成建模方面的工作,我们描述了如何仅从观察数据中学习这个因果模型的参数,即使存在未观察到的混杂因素。我们的实验表明,公平意识的因果模型提供了更好的估计之间的因果关系的敏感属性,治疗和结果。我们进一步提出的证据表明,估计这些因果效应可以帮助学习更准确和公平的政策,当与历史上有偏见的数据集。
2018-12-03 cs.LG stat.ML
Revisiting Counterfactual Regression through the Lens of Gromov-Wasserstein Information Bottleneck
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
本研究提出Gromov-Wasserstein信息瓶颈(GWIB)范式,通过最大化潜在表示与结果的互信息并惩罚与协变量的核化互信息,以抑制选择偏差,从而提升反事实回归在个体化治疗效果估计中的性能。
2024-05-24 cs.AI cs.LG stat.ML
Explicit Temporal Embedding in Deep Generative Latent Models for Longitudinal Medical Image Synthesis
University of Copenhagen(哥本哈根大学);Rigshospitalet(哥本哈根大学国立医院)
医学影像学在现代诊断和治疗中起着至关重要的作用。疾病或治疗进展的时间性质通常导致纵向数据。由于成本和潜在危害,获取深度学习所需的大型医疗数据集可能很困难。医学图像合成可以帮助缓解这个问题。然而,到目前为止,能够合成纵向体积数据的GANs的可用性有限。为了解决这个问题,我们利用基于潜在空间的图像编辑的最新进展,提出了一种新的联合学习方案,以显式地将时间依赖性嵌入到GANs的潜在空间中。与以前的方法相比,这使我们能够在有限的监督下合成连续,平滑和高质量的纵向体积数据。我们展示了我们的方法在三个包含不同纵向依赖关系的数据集上的有效性。也就是说,建模一个简单的图像变换,呼吸运动,肿瘤消退,同时显示最小的解开。该实现可在https://github.com/julschoen/Temp-GAN上在线获得。
2023-01-13 cs.CV cs.LG
Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
Department of Biostatistics, Columbia Mailman School of Public Health(哥伦比亚大学梅尔曼公共卫生学院生物统计系);Department of Biostatistics, Peking University Health Science Center(北京大学医学部生物统计系);Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心)
本文提出DRIFT框架,通过潜在因子表示和对抗学习,从高维数据中稳健估计个性化治疗效应,提升对未测量但临床相关领域的泛化能力。
2026-03-28 cs.LG stat.ME
Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference
本文提出空间去混杂方法,通过条件变分自编码器重构替代混杂变量,以识别直接和溢出效应,改进空间数据的因果推断。
2026-06-27 cs.LG stat.ML
Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);UCLA(加州大学洛杉矶分校);University of Cambridge(剑桥大学)
治疗效果的估计是医学中普遍存在的问题。从纵向观察数据估计治疗效果的现有方法假设不存在隐藏的混杂因素,这一假设在实践中不可检验,如果不成立,则会导致有偏倚的估计。在本文中,我们开发了时间序列Deconfounder,这是一种利用随时间分配多种治疗的方法,可以在存在多原因隐藏混杂因素的情况下估计治疗效果。时间序列Deconfounder使用一种新的具有多任务输出的递归神经网络架构,随着时间的推移建立一个因子模型,并推断出使分配的治疗条件独立的潜在变量;然后,它使用这些潜在变量作为多原因未观察到的混杂因素的替代品进行因果推理。我们提供了一个理论分析,以获得无偏的因果效应随时间变化的曝光使用时间序列Deconfounder。使用模拟和真实的数据,我们显示了我们的方法的有效性,在deconfounding随着时间的推移估计的治疗反应。
2020-09-18 cs.LG stat.AP stat.ML
Counterfactual Phenotyping with Censored Time-to-Events
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh Medical Center(匹兹堡大学医学中心)
真实世界临床干预的治疗疗效估计涉及使用连续结局,例如至死亡时间、再次住院或可能需要删失的复合事件。在这种情况下,反事实推理需要将影响基线生存率的混淆生理特征的影响与正在评估的干预措施的影响脱钩。在本文中,我们提出了一个潜在变量的方法来模拟异质性的治疗效果,提出一个人可以属于一个潜在的集群具有不同的响应特性。我们表明,这种潜在的结构可以介导的基本生存率,并有助于确定干预的效果。我们证明了我们的方法的能力,发现可操作的表型的个人的基础上,他们的治疗反应的多个大型随机临床试验,最初进行评估适当的治疗,以减少心血管疾病的风险。
2022-08-09 cs.LG stat.AP stat.ME
On the Effects of Irrelevant Variables in Treatment Effect Estimation with Deep Disentanglement
Örebro University(厄勒布鲁大学)
针对观察数据中处理效应估计时无关变量处理不足导致预测误差的问题,提出基于深度嵌入与自编码器的显式解耦方法,通过重建目标和正交化隔离无关变量,提升了无关变量识别与处理效应预测的精确度。
2024-08-26 cs.LG stat.ML
Synthetic Blips: Generalizing Synthetic Controls for Dynamic Treatment Effects
Columbia University(哥伦比亚大学);University of Bristol(布里斯托大学);Stanford University(斯坦福大学)
本文提出合成脉冲方法,将合成控制推广至动态处理效应,通过反向归纳递归表达脉冲效应,避免组合供体需求,并在韩国企业数据上估计最优处理分配。
2026-09-14 cs.LG econ.EM stat.ME
Sequential Treatment Effect Estimation with Unmeasured Confounders
Ant Group(蚂蚁集团)
针对未测量混杂因素干扰序贯处理效应估计的问题,论文提出 DSIV-CFR 框架,利用负对照暴露与结果恢复潜在工具变量并通过广义矩条件估计累积因果效应,在4个数据集的单步与多步预测中表现优异。
2025-05-14 cs.LG stat.ME
Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effects Estimation
University of Alberta(阿尔伯塔大学)
反事实推理是一个重要的范式,适用于许多领域,如医疗保健,经济学和教育。在这项工作中,我们提出了一种新的方法来解决这个问题的\textit{selection bias}。我们学习了两组潜在随机变量,其中一组对应于仅导致选择偏差的变量,另一组与结果预测相关。它们由自动编码器学习,其中基于Pearson相关系数(PCC)的额外正则化损失鼓励两组随机变量之间的去相关。这允许通过仅保留与估计个体治疗效果相关的潜在变量来明确减轻选择偏倚。在合成玩具数据集和基准数据集上的实验结果表明,我们的算法能够实现最先进的性能,并改善其对应的结果,没有明确的模型的选择偏差。
2019-12-19 cs.LG stat.ML
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University(耶鲁大学生物统计学系);Department of Statistics, Stanford University(斯坦福大学统计学系)
CausalBGM通过学习个体特定的低维潜在特征集,提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Pretreatment MRI reveals a latent, molecular-subtype-independent structural phenotype that organizes treatment trajectories and recurrence risk
Medical Imaging & Image Analysis Laboratory, Department of Biomedical Engineering, George Washington University(医学影像与图像分析实验室,生物医学工程系,乔治·华盛顿大学)
本研究针对乳腺癌新辅助治疗响应评估的现有局限,基于I-SPY2队列构建结局盲法纵向DCE-MRI流形,发现治疗前MRI存在独立于临床基因组特征的固有结构表型,可预测治疗轨迹与复发风险。
2026-07-07 cs.CV cs.LG eess.IV
Recovering Latent Confounders from High-dimensional Proxy Variables
Image Processing Laboratory (IPL)(图像处理实验室(IPL));Parc Científic Universitat de València(瓦伦西亚大学科学公园)
本文提出代理混杂因子分解(PCF)框架,通过高维混合代理变量估计连续处理效应,消除了以往低维或有序代理变量限制,并在合成与气候数据上验证了其有效性。
2024-03-21 cs.LG stat.ML
Symmetric Wasserstein Autoencoders
National Research Council Canada(加拿大国家研究委员会)
利用最优传输的框架,我们引入了一个新的生成自动编码器家族,具有可学习的先验知识,称为对称Wasserstein自动编码器(SWAE)。我们建议对称匹配的联合分布的观测数据和潜在的表示引起的编码器和解码器。由此产生的算法共同优化的数据和潜在空间的建模损失与数据空间中的损失,导致去噪效果。通过对数据和潜在表示的对称处理,该算法隐式地保持了数据在潜在空间中的局部结构。为了进一步提高潜在表示的质量,我们在目标中加入了重建损失,这对生成和重建都有很大的好处。我们的经验表明,优越的性能SWAE的国家的最先进的生成自动编码器的分类,重建和生成。
2021-06-24 cs.AI cs.CV cs.LG
Estimating Treatment Effects with Independent Component Analysis
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ELLIS Institute(ELLIS研究所);Vector Institute(向量研究所);Microsoft Research(微软研究院);University of Toronto(多伦多大学)
本文提出利用线性ICA估计治疗效应,证明其在存在高斯混杂因子和非线性噪声时的一致性,并展示其在样本效率上的优势。
2026-02-27 cs.AI cs.LG stat.ML
Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文利用高阶累积量解决lvLiNGAM中潜变量混杂下的因果效应识别问题,证明单一代理变量或欠指定工具变量条件下因果效应可识别,并提出相应估计方法。
2025-06-06 cs.LG stat.ME stat.ML
Graph Distance Based on Cause-Effect Estimands with Latents
Helmholtz Munich(慕尼黑海德堡研究所);Technical University of Munich(慕尼黑技术大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
针对潜混杂下因果发现图评估困难的问题,提出基于因果效应估计下游任务的ADMG图距离度量,用固定识别与符号验证器量化图差异对效应估计的扭曲,分析了其在图扰动下的行为并与现有指标对比。
2025-10-28 cs.LG
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);University of Oxford(牛津大学);University of California, Los Angeles (UCLA)(加州大学洛杉矶分校)
为每个患者选择最佳治疗计划需要准确预测其随时间变化的治疗结果轨迹。虽然大型观测数据集构成了丰富的信息来源,但它们也包含偏见,因为在实践中很少随机分配治疗方法。为了提供准确和无偏的预测,我们引入了解纠缠反事实循环网络(DCRN),这是一种新的序列到序列架构,通过学习患者历史的表示来估计治疗结果,这些患者历史被分解为三个独立的潜在因素:治疗因素,仅影响治疗选择;结果因素,仅影响结果;以及混杂因素,影响两者。随着时间的推移,我们完全受到治疗影响的因果结构的启发,我们提高了预测准确性和疾病理解,因为我们的架构允许从业者推断哪些患者特征影响患者轨迹的哪一部分,与该领域的其他方法形成对比。我们证明了DCRN在预测治疗反应方面优于当前最先进的方法,无论是真实数据还是模拟数据。
2021-12-07 cs.LG
A Design-based Solution for Causal Inference with Text: Can a Language Model Be Too Large?
Duke University(杜克大学);Netflix
针对文本因果推断中的潜在混杂和重叠偏差,提出一种新的实验设计,并实证发现LLM方法不如词袋模型,同时揭示了政治传播中谦逊表达的因果说服效应。
2025-10-09 cs.CL cs.LG stat.AP
$β$-Intact-VAE: Identifying and Estimating Causal Effects under Limited Overlap
The Graduate University for Advanced Studies(综合研究大学院大学);The Institute of Statistical Mathematics(统计数学研究所)
作为因果推断中的一个重要问题,我们讨论了有限重叠下的处理效应(TE)的识别和估计,也就是说,当具有某些特征的受试者属于一个单一的治疗组。我们使用一个潜在变量来模拟一个预后评分,该评分在生物统计学中广泛使用,并且足以用于TE;即,我们建立了一个生成预测模型。我们证明了潜在变量恢复了预后评分,并且模型识别了个体化处理效应。然后将该模型学习为β-Intact-VAE-一种新型的变分自动编码器(VAE)。我们推导出TE误差界,使代表平衡的治疗组条件个性化的功能。所提出的方法相比,最近的方法使用(半)合成数据集。
2021-10-11 cs.LG econ.EM stat.ME
CausalEGM: a general causal inference framework by encoding generative modeling
Stanford University(斯坦福大学)
虽然理解和表征因果效应在观察性研究中变得至关重要,但当混杂因素是高维时,这是具有挑战性的。在这篇文章中,我们开发了一个通用的框架$\textit{CausalEGM}$编码生成模型,可以应用于二进制和连续治疗设置估计因果关系的影响。在不混淆的潜在结果框架下,我们在高维混淆因素空间和密度已知的低维潜在空间(例如,多元正态分布)。通过这一点,CauseEGM同时消除了混杂因素对治疗和结果的依赖性,并将混杂因素映射到低维潜在空间。通过对低维潜在特征的调节,CauseEGM可以估计每个个体的因果效应或群体内的平均因果效应。理论分析表明,通过经验过程理论,可以对CauseEGM的超额风险进行限制。在编码器-解码器网络的假设下,可以保证估计的一致性。在一系列的实验中,CauseEGM表现出优于现有的方法,二进制和连续的治疗。具体而言,我们发现CauseEGM在大样本量和高维混杂因素的存在下比竞争方法更强大。CauseEGM软件可在https://github.com/SUwonglab/CausalEGM上免费获得。
2023-03-16 cs.LG stat.ML
Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
Department of Computer Science(计算机科学系)
本文提出可观测的神经ODEs模型,通过连续时间调整公式实现因果可识别,利用观测数据预测不同治疗路径的结果,实验显示在合成癌症数据、半合成数据和真实脓毒症数据上表现优异。
2026-10-07 cs.LG math.OC math.ST
Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization
Alibaba Group(阿里巴巴集团)
学习个体水平的处理效应是因果推理中的一个基本问题,在许多领域受到越来越多的关注,特别是在用户增长领域,这是许多互联网公司关注的问题。近年来,将协变量分解为工具因子、混杂因子和调节因子的非纠缠表示学习方法在治疗效果估计中取得了巨大的成功。然而,如何准确地了解潜在的分离因素仍然是一个悬而未决的问题。具体而言,以前的方法无法获得独立的解开的因素,这是一个必要的条件,识别处理效果。在本文中,我们提出了通过互信息最小化(MIM-DRFR),它使用多任务学习框架来共享信息时,学习潜在的因素,并纳入MI最小化学习标准,以确保这些因素的独立性的反事实回归的解开表示。包括公共基准测试和真实工业用户增长数据集在内的广泛实验表明,我们的方法比最先进的方法表现得更好。
2022-06-02 cs.LG stat.ML
Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data
Paris-Saclay University, CentraleSupélec, MICS Lab(巴黎-萨克雷大学,中央超导实验室,MICS实验室)
本文提出因果动态变分自编码器(CDVAE),通过建模未观测调整变量来估计纵向数据中的条件平均处理效应,并在理论和实验上证明其能显著提升现有模型的CATE估计性能。
2025-11-10 cs.LG stat.ML
Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models
Universitat de Barcelona(巴塞罗那大学);Helmholtz Center Munich(慕尼黑亥姆霍兹中心);Technical University of Munich(慕尼黑工业大学);Karolinska Institutet(卡罗林斯卡学院);Computer Vision Center(计算机视觉中心)
提出多条件潜在扩散模型合成DCE-MRI时间序列,以降低对比剂依赖,并引入弗雷歇放射组学距离评估图像质量,实验证明能生成逼真乳腺DCE-MRI,展现深度学习模拟对比动力学的潜力。
2024-07-17 cs.AI cs.CV cs.LG
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架,非对称处理时空信息以拓展双稳健估计,经临床场景模拟验证,可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
scDEFT: A deep learning framework for drug-effect prediction and counterfactual reasoning
Causal Data AI
scDEFT通过将药物作为条件算子,利用特征级线性调制和双头聚合,在单细胞图谱上预测药物效应并识别驱动基因,支持靶点提名和患者分层。
2026-09-11 cs.LG q-bio.QM
Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding
Department of Electrical Engineering and Computer Science, Syracuse University(Syracuse大学电气工程与计算机科学系);Department of Computer Science, Columbia University(哥伦比亚大学计算机科学系)
针对连续域上存在未观测混杂的因果效应评估问题,提出一种基于外生域离散化的因果高斯过程模型,可任意逼近任意因果模型的观测和干预分布。
2026-06-23 cs.LG
A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
Snap Inc.(Snap公司)
本文提出了一种大规模框架,用于估计用户对广告的异质治疗效应,并通过影响力评分提升关键业务指标表现。
2025-11-25 cs.LG stat.AP stat.ME
Classifying Treatment Responders Under Causal Effect Monotonicity
Cornell University(康奈尔大学)
在个体水平的因果推断的背景下,我们研究了预测某人是否会根据他们的特征和过去的特征、治疗指标(例如,药物/无药物),和二元结果(例如,从疾病中恢复)。作为一个分类任务,这个问题是困难的,不知道相反的治疗指标下的例子结果。我们假设这种影响是单调的,就像广告对购买的影响或保释金对出庭的影响一样:要么它会发生而不管治疗,要么它不会发生而不管治疗,要么它只会发生而取决于接受治疗的程度。预测后者是否是潜在的情况是我们的重点。虽然以前的工作集中在有条件的平均处理效应估计,制定一个分类任务,而不是一个估计任务的问题,使我们能够开发新的工具更适合这个问题。通过利用单调性,我们开发了新的判别和生成算法的响应者分类问题。我们探索和讨论连接到损坏的数据和政策学习。我们提供了一个实证研究与合成和真实的数据集比较这些专门的算法标准的基准。
2019-06-03 cs.LG stat.ML
Doubly Robust Inference in Causal Latent Factor Models
Columbia University(哥伦比亚大学);Cornell Tech(康奈尔科技学院)
针对数据丰富场景下未观测混杂的平均处理效应估计问题,提出结合结果插补、逆概率加权与新型矩阵补全交叉拟合的双稳健估计量,证明其参数速率收敛的统计性质并通过仿真验证有效性。
2024-10-29 cs.LG econ.EM stat.ME
Intact-VAE: Estimating Treatment Effects under Unobserved Confounding
The Graduate University for Advanced Studies(综合研究大学院大学);The Institute of Statistical Mathematics(统计数学研究所)
注:本预印本有一个有缺陷的理论公式。请避免使用此选项,并参考ICLR 22出版物https://openreview.net/forum? id=q7n2RngwOM。此外,arXiv:2109.15062包含了一些关于未观察到的混淆的新想法。作为因果推断中的一个重要问题,我们讨论了在未观察混杂情况下处理效应的识别和估计。代表作为一个潜在变量的混杂因素,我们提出了完整的VAE,变分自动编码器(VAE)的一个新的变种,由预后评分,这是足以识别处理效应的动机。我们从理论上表明,在某些设置下,处理效应由我们的模型识别,并且进一步,基于我们的模型的可识别性(即,代表的确定性),我们的VAE是一个相合估计量,代表治疗组平衡。在(半)合成数据集上的实验显示了不同设置下的最新性能。
2022-04-21 cs.LG stat.ME stat.ML
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich(苏黎世联邦理工学院)
当随机实验不可行或成本高昂时,使用观察数据来估计治疗效果是决策的有力工具。然而,观察性数据经常产生处理效应的偏倚估计,因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中,我们开发了序贯去混淆,一种方法,使估计个体化的处理效应随着时间的推移,存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法(即,在每个时间步分配一个或多个处理)。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品,然后将其与结果模型结合使用,以估计随时间推移的处理效应。我们证明,使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据,我们证明了我们的方法的效力,随着时间的推移,在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML