用于连续时间可识别因果预测的 Observable Neural ODEs
Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
精选理由
提出可观测神经常微分方程模型，在隐藏混杂下识别连续时间治疗效应，助力临床因果预测与决策。
AI 摘要
arXiv:2604.26070v3 公告类型：替换 摘要：连续时间序贯决策问题中的因果推断面临隐性混杂和状态仅部分可观测的挑战。我们证明，在明确的结构假设下，即使存在隐性混杂，潜在状态的可观测性也能通过连续时间条件前门调整实现动态处理效应的识别。我们推导了一个通用调整公式，并证明，当未观测到的同期扰动在时间上不相关时，该公式可简化为一个易于求解的状态空间公式。该公式通过测量模型、潜在动力学以及潜在状态的滤波分布，表述不同处理轨迹下的潜在结局分布。我们提出 Observable Neural ODEs（ObsNODEs），这是一类采用可观测标准形的 Neural ODE 模型，可实现这种易于求解的调整，用于因果预测。ObsNODEs 学习连续时间动力学，其状态可由观测重构，从而能够预测不同处理路径下的结局。在合成、半合成和真实世界临床数据上的实验（包括外部验证）表明，该方法相较于近期的序列模型表现出较强优势。