論文の概要: GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding
- arxiv url: http://arxiv.org/abs/2502.05295v2
- Date: Tue, 28 Oct 2025 16:01:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 20:04:43.720765
- Title: GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding
- Title（参考訳）: GST-UNet:時変共起による時空間因果推論のためのニューラルネットワークフレームワーク
- Authors: Miruna Oprescu, David K. Park, Xihaier Luo, Shinjae Yoo, Nathan Kallus,
- Abstract要約: データから因果効果を推定することは、公衆衛生、環境科学、政策評価において不可欠である。
本稿では、U-Netベースの時間エンコーダと回帰ベースの反復G-mputationを組み合わせたニューラルネットワークフレームワークであるGST-UNetを紹介する。
本研究は,カリフォルニアキャンプ火災時の山火事煙曝露および呼吸器病院の総合実験および実世界の分析において,その効果を検証した。
- 参考スコア（独自算出の注目度）: 46.46135774964818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal effects from spatiotemporal observational data is essential in public health, environmental science, and policy evaluation, where randomized experiments are often infeasible. Existing approaches, however, either rely on strong structural assumptions or fail to handle key challenges such as interference, spatial confounding, temporal carryover, and time-varying confounding -- where covariates are influenced by past treatments and, in turn, affect future ones. We introduce GST-UNet (G-computation Spatio-Temporal UNet), a theoretically grounded neural framework that combines a U-Net-based spatiotemporal encoder with regression-based iterative G-computation to estimate location-specific potential outcomes under complex intervention sequences. GST-UNet explicitly adjusts for time-varying confounders and captures non-linear spatial and temporal dependencies, enabling valid causal inference from a single observed trajectory in data-scarce settings. We validate its effectiveness in synthetic experiments and in a real-world analysis of wildfire smoke exposure and respiratory hospitalizations during the 2018 California Camp Fire. Together, these results position GST-UNet as a principled and ready-to-use framework for spatiotemporal causal inference, advancing reliable estimation in policy-relevant and scientific domains.
- Abstract（参考訳）: 時空間観測データから因果効果を推定することは公衆衛生、環境科学、政策評価において重要である。
しかし、既存のアプローチでは、強い構造的仮定に依存するか、干渉、空間的境界、時間的移動、時間的変化といった重要な課題に対処できないかのいずれかである。
GST-UNet(G-computation Spatio-Temporal UNet)は、U-Netベースの時空間エンコーダと回帰に基づく反復G-Computationを組み合わせて、複雑な介入シーケンスの下で位置特異的な潜在的結果を推定する理論的な基盤となるニューラルネットワークフレームワークである。
GST-UNetは、時間変化のある共同創設者を明示的に調整し、非線形の空間的および時間的依存関係をキャプチャし、データスカース設定で観測された単一の軌跡から有効な因果推論を可能にする。
本研究は,2018年のカリフォルニアキャンプ火災における山火事煙曝露および呼吸器病院の総合実験および実環境分析における有効性を検証するものである。
これらの結果から,GST-UNetを時空間因果推論の原則的・実用的枠組みとして位置づけ,政策関連領域と科学的領域の信頼性評価を推し進めた。
関連論文リスト
- Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。
提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
論文 参考訳（メタデータ） (2025-06-06T12:43:57Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-14T17:51:29Z) - Discovering Latent Causal Graphs from Spatiotemporal Data [23.400027588427964]
気候データから因果関係を推定することは、高次元の問題である。
SPACY(Tiotemporal CausalY)は潜在因果構造に基づく推論のための新しいフレームワークである。
SPACYはまた、現実世界の気候データから既知の重要な現象を特定する。
論文 参考訳（メタデータ） (2024-11-08T05:12:16Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。
次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。
U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
論文 参考訳（メタデータ） (2024-05-13T20:39:27Z) - Temporal-Spatial Entropy Balancing for Causal Continuous
Treatment-Effect Estimation [11.53614718016578]
都市内貨物輸送の分野では、順序量の変化は時間的・空間的要因に影響される。
共起変数を制御する従来の方法は、全体論的観点からデータを扱う。
本研究では,フレキシブル時間空間グリッド分割に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T06:05:13Z) - Deciphering Spatio-Temporal Graph Forecasting: A Causal Lens and
Treatment [33.4989883914555]
本研究では,時間的アウト・オブ・ディストリビューション問題と動的空間因果関係に対処するCaSTと呼ばれる新しいフレームワークを提案する。
実世界の3つのデータセットに対する実験結果は、CaSTの有効性と実用性を示している。
論文 参考訳（メタデータ） (2023-09-23T13:51:09Z) - Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders [15.41689729746877]
実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。
隠れた共同創設者の存在は 偏見のある治療推定につながる
不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
論文 参考訳（メタデータ） (2023-03-04T04:55:34Z) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳（メタデータ） (2023-02-23T14:28:55Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。
最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。
DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
論文 参考訳（メタデータ） (2020-09-21T12:59:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。