论文
用于反事实结果预测的因果纵向先验拟合网络
Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
摘要
根据多变量时间序列数据做出的纵向治疗决策需要在存在时变混杂因素、异质患者动态和有限的特定领域数据的情况下预测未来治疗序列下的潜在结果。现有的纵向因果估计器通常通过为每个群组或模拟器训练新模型来解决这个问题。我们引入因果纵向先验拟合网络（CausalLongPFN），这是一种用于纵向治疗反应数据中的时间序列因果推理和零样本上下文反事实结果预测的先验拟合网络。该模型完全基于从广泛的先验时间结构因果模型中采样的合成事件进行预训练，将其暴露于治疗混杂反馈、潜在异质性、非线性状态演化、延迟效应和累积治疗反应。在测试时，CausalLongPFN 保持冻结状态并使用零样本：它以支持轨迹、查询历史记录和计划的未来治疗序列为条件，并返回未来结果的预测分布，无需梯度更新或倾向模型拟合。多步预测是通过在指定的处理序列下递归应用一步预测器来获得的。我们使用 真值 反事实标签评估可分支癌症、HIV 和华法林基准的模型，以及 MIMIC-III ICU 轨迹中纯事实滚动原点预测的模型。 CausalLongPFN 在反事实基准上与领域训练的纵向基线具有竞争力，并且在事实 MIMIC-III 预测上表现强劲，这表明当重复的特定领域训练成本高昂或不切实际时，广泛的综合因果预训练可以为零样本纵向治疗反应预测提供冻结的、摊销的替代方案。