論文の概要: Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction

• arxiv url: http://arxiv.org/abs/2606.05797v2
• Date: Sun, 07 Jun 2026 11:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:04.97808
• Title: Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
• Title（参考訳）: 対実アウトカム予測のための因果縦ネットワーク
• Authors: Amirhossein Zare, Amirhessam Zare, Herlock Rahimi, Reza Salarikia, Mohammad Kashkooli,
• Abstract要約: 縦処理応答データにおける時系列因果推論のための因果関係ネットワーク(CausalLongPFN)を提案する。 CausalLongPFNは、長手処理応答データとゼロショットインコンテキストの対実結果予測において、時系列因果推論に予め適合したネットワークである。 筆者らは,MIMIC-III ICUトラジェクトリにおいて,枝状癌,HIV,ワーファリンのベンチマークを地中事実ラベルを用いて評価し,実物のみの転がりオリジン予測を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal treatment decisions from multivariate time-series data require predicting potential outcomes under future treatment sequences in the presence of time-varying confounding, heterogeneous patient dynamics, and limited domain-specific data. Existing longitudinal causal estimators typically address this problem by training a new model for each cohort or simulator. We introduce Causal Longitudinal Prior-Fitted Networks (CausalLongPFN), a prior-fitted network for time-series causal inference in longitudinal treatment-response data and zero-shot in-context counterfactual outcome prediction. The model is pretrained entirely on synthetic episodes sampled from a broad prior over temporal structural causal models, exposing it to treatment-confounder feedback, latent heterogeneity, nonlinear state evolution, delayed effects, and cumulative treatment responses. At test time, CausalLongPFN remains frozen and is used zero-shot: it conditions on support trajectories, a query history, and a planned future treatment sequence, and returns a predictive distribution over future outcomes without gradient updates or propensity-model fitting. Multi-step predictions are obtained by recursively applying the one-step predictor under the specified treatment sequence. We evaluate the model on branchable cancer, HIV, and warfarin benchmarks with ground-truth counterfactual labels, and on factual-only rolling-origin prediction in MIMIC-III ICU trajectories. CausalLongPFN is competitive with domain-trained longitudinal baselines on counterfactual benchmarks and performs strongly on factual MIMIC-III prediction, suggesting that broad synthetic causal pretraining can provide a frozen, amortized alternative for zero-shot longitudinal treatment-response prediction when repeated domain-specific training is costly or impractical.
• Abstract（参考訳）: 多変量時系列データからの経時的治療決定は、時間変化の相違、不均一な患者動態、限られたドメイン固有データの存在下で、将来の治療シーケンス下での潜在的な結果を予測する必要がある。 既存の縦型因果推定器は、通常、コホートやシミュレーターごとに新しいモデルを訓練することでこの問題に対処する。 本稿では, 時系列処理応答データとゼロショット・イン・コンテクストの対実結果予測における時系列因果推論のためのネットワークであるCausal Longitudinal Prior-Fitted Networks (CausalLongPFN)を紹介する。 このモデルは、時間的構造因果モデルよりも広い事前から採取された合成エピソードにのみ事前訓練され、治療・共同創業者のフィードバック、潜時的不均一性、非線形状態の進化、遅延効果、累積的治療応答に暴露される。 テスト時には、CausalLongPFNは凍結され、ゼロショットで使用される: サポートトラジェクトリ、クエリ履歴、将来の処理シーケンスを条件とし、勾配更新や確率モデルフィッティングなしで将来の結果に対する予測分布を返す。 多段階予測は、1段階予測器を所定の処理シーケンスで再帰的に適用することにより得られる。 筆者らは,MIMIC-III ICUトラジェクトリにおいて,枝状癌,HIV,ワーファリンのベンチマークを地中事実ラベルを用いて評価し,実物のみの転がりオリジン予測を行った。 CausalLongPFNは、反ファクトなベンチマークでドメイントレーニングされた長手ベースラインと競合し、MIMIC-IIIの予測に強く依存している。

関連論文リスト

• Causal Diffusion Models for Counterfactual Outcome Distributions in Longitudinal Data [0.0]
  因果拡散モデル (CDM) は, 逐次介入による対実結果の完全な確率分布を生成する。 CDMは、最先端の経時的因果推論法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-04-14T17:25:53Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [54.65531750162626]
  多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-27T14:13:46Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Predicting the impact of treatments over time with uncertainty aware neural differential equations [2.099922236065961]
  本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。 CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
  論文  参考訳（メタデータ） (2022-02-24T09:50:02Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。