論文の概要: Balanced Twins: Causal Inference on Time Series with Hidden Confounding
- arxiv url: http://arxiv.org/abs/2606.18969v2
- Date: Fri, 19 Jun 2026 12:47:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-23 13:41:30.93464
- Title: Balanced Twins: Causal Inference on Time Series with Hidden Confounding
- Title（参考訳）: Balanced Twins: 隠れたコンバウンディングによる時系列の因果推論
- Authors: Maha Ouali, Badih Ghattas, Emmanuel Flachaire, Philippe Charpentier, Laurent Bozzi,
- Abstract要約: 本研究は, 個別レベルの対策薬を最初に回収することにより, 治療薬の平均治療効果を推定する問題について検討する。
本稿では,各時系列の低次元潜在表現と確率スコアを同時に学習するニューラルネットワークフレームワークを提案する。
これらの推定値は、フレキシブルなマッチング手順によって個々の治療効果を近似するために使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately estimating treatment effects in time series is essential for evaluating interventions in real-world applications, especially when treatment assignment is biased by unobserved factors. In many practical settings, interventions are adopted at different times across individuals, leading to staggered treatment exposure and heterogeneous pre-treatment histories. In such cases, aggregating outcome trajectories across treated units is ill-defined, making individual treatment effect (ITE) estimation a prerequisite for reliable causal inference. We therefore study the problem of estimating the average treatment effect for the treated (ATT) by first recovering individual-level counterfactuals. We introduce a neural framework that learns simultaneously low-dimensional latent representations of individual time series and propensity scores. These estimates are then used to approximate the individual treatment effects through a flexible matching procedure that avoids classical convexity constraints commonly used in synthetic control methods. By operating at the individual level, our approach naturally accommodates staggered interventions and improves counterfactual estimation under latent bias, without relying on explicit temporal modeling assumptions. We illustrate our approach on both real-world energy consumption data and clinical time series, including high-frequency electricity demand-response programs and semi-synthetic data for individuals in intensive care unit (ICU), where hidden confounding, staggered treatment adoption, and non-stationary dynamics are prevalent.
- Abstract（参考訳）: 時系列における治療効果の正確な推定は、特に治療課題が観測されていない要因に偏っている場合、実世界の応用における介入を評価するために不可欠である。
多くの実践的な環境では、介入は個人毎に異なるタイミングで採用され、停滞した治療暴露と異質な前処理履歴につながる。
このような場合、処理単位間の集合結果軌跡は不確定であり、個々の治療効果(ITE)を信頼性のある因果推論の前提条件とする。
そこで我々は, 個別レベルの対策品を最初に回収することにより, 治療(ATT)に対する平均治療効果を推定する問題について検討した。
本稿では,各時系列の低次元潜在表現と確率スコアを同時に学習するニューラルネットワークフレームワークを提案する。
これらの推定は、合成制御法で一般的に用いられる古典的凸性制約を避けるフレキシブルなマッチング手順によって、個々の処理効果を近似するために使用される。
個人レベルでの運用によって,我々のアプローチは,時間的モデリングの仮定に頼らずに,停滞した介入を自然に許容し,潜在バイアス下での対実的推定を改善する。
本研究は,集中治療室 (ICU) の患者を対象とした高頻度電力需要応答プログラムや半合成データを含む,実世界のエネルギー消費データと臨床時系列の両面でのアプローチについて述べる。
関連論文リスト
- Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。
本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。
本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
論文 参考訳（メタデータ） (2025-07-09T20:33:33Z) - Dynamic Local Average Treatment Effects [19.014535120129338]
我々は,デジタルレコメンデーションと適応医療トライアルにおいて,片側非準拠の動的治療規則(DTR)を検討する。
局所的局所的平均処理効果(LATE)の非パラメトリック同定、推定、推定を行う。
この仮定は,複数の期間で動的LATEを識別するのに十分であることを示す。
論文 参考訳（メタデータ） (2024-05-02T16:52:09Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - 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) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-05T10:39:31Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Sequential Deconfounding for Causal Inference with Unobserved
Confounders [18.586616164230566]
個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。
これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。
本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
論文 参考訳（メタデータ） (2021-04-16T09:56:39Z) - Evaluating (weighted) dynamic treatment effects by double machine
learning [0.12891210250935145]
本研究では,データ駆動方式で動的処理の因果効果を評価する。
いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。
推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
論文 参考訳（メタデータ） (2020-12-01T09:55:40Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。