論文の概要: Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

• arxiv url: http://arxiv.org/abs/2604.26070v1
• Date: Tue, 28 Apr 2026 19:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.151042
• Title: Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
• Title（参考訳）: 連続時間における因果予測のための観測可能なニューラルネットワーク
• Authors: Jennifer Wendland, Nicolas Freitag, Maik Kschischo,
• Abstract要約: 時間的介入を伴う潜時状態空間モデルでは、観測データから潜時力学の観測可能性が必要であることを示す。 因果予測のための観測可能な正規形のニューラル ODE (ObsNODEs) モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference in continuous-time sequential decision problems is challenged by hidden confounders. We show that, in latent state-space models with time-varying interventions, observability of the latent dynamics from observed data is necessary for identifying dynamic treatment effects, linking control-theoretic observability to causal identifiability, even when hidden confounders affect both treatments and outcomes. We derive a continuous-time adjustment formula expressing potential outcome distributions under treatment trajectories via the measurement model, latent dynamics, and the filtering distribution over latent states given observed histories. We propose Observable Neural ODEs (ObsNODEs), Neural ODE models in observable normal form for causal forecasting. ObsNODEs learn continuous-time dynamics with states reconstructible from observations, enabling outcome prediction under alternative treatment paths. Experiments on synthetic cancer data, semi-synthetic data based on MIMIC-IV, and real-world sepsis data show strong performance over recent sequence models.
• Abstract（参考訳）: 連続的なシーケンシャルな決定問題における因果推論は、隠れた共同設立者によって挑戦される。 時間的介入を伴う潜在状態空間モデルでは、隠れた共同創設者が治療と結果の両方に影響を与える場合であっても、動的治療効果の同定、制御理論的観察可能性と因果識別可能性のリンクには、観測データからの潜時ダイナミクスの観測可能性が必要である。 我々は, 測定モデル, 潜時力学, および観測された潜時状態上のフィルタリング分布を用いて, 処理軌道下での電位分布を表現する連続時間調整式を導出した。 因果予測のための観測可能な正規形のニューラル ODE (ObsNODEs) モデルを提案する。 ObsNODEは観測から再構成可能な状態で連続時間ダイナミクスを学習し、代替の処理経路の下で結果予測を可能にする。 MIMIC-IVに基づく合成癌データ、半合成データ、および実世界のセプシスデータによる実験は、最近のシーケンスモデルよりも強い性能を示した。

関連論文リスト

• Conditional Inverse Learning of Time-Varying Reproduction Numbers Inference [0.7367227178198079]
  流行発生データから時間変化の再現数を推定することは、伝染病の監視において中心的な課題である。 本研究では,過去の発生パターンから潜在複製数への条件付きマッピングを学習することで,逆問題に対処する条件付き逆再生学習フレームワーク(CIRL)を提案する。 結果として得られた枠組みは、疫学的に根ざした制約とデータ駆動の時間的表現を結合し、観測ノイズに頑健な再生数推定を生成する。
  論文  参考訳（メタデータ） (2026-03-18T09:52:41Z)
• Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations [0.5753241925582826]
  本稿では,臨床時系列を基礎となる制御力学系の離散時間部分観察とみなす生成的モデリングフレームワークを提案する。 我々のアプローチは、状態推定とパラメータ学習を行いながら、モード依存エミッションモデルを用いたニューラルSDEによる潜時ダイナミクスをモデル化する。 この定式化は自然に観察をサンプリングし、複雑な非線形相互作用を学び、疾患の進行と測定ノイズの相補性を捉える。
  論文  参考訳（メタデータ） (2025-11-20T14:50:49Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics [47.82509795873254]
  本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
  論文  参考訳（メタデータ） (2022-01-31T22:16:50Z)
• Causal Discovery from Conditionally Stationary Time Series [14.297325665581353]
  我々は,広範囲の非定常時系列を扱う因果探索手法を開発した。 State-Dependent Causal Inference (SDCI)と名付けられた私たちのアプローチは、根底にある因果関係を回復することができる。 非線形粒子相互作用データと遺伝子制御ネットワークに関する実証実験は、SDCIの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-12T18:12:57Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。