CAETC: 時系列における因果オートエンコーディングと治療条件付けによる反事実推定
arXiv cs.LG / 2026/3/13
📰 ニュースModels & Research
要点
- CAETCは、時系列における反事実推定を改善するための因果オートエンコードと治療条件付けを導入し、個別化医療への潜在的な応用を持つ。
- 本手法は敵対的表現学習を用いて、部分的に可逆で治療不変な表現を学習し、その上で結果予測を表現に対する治療特異的条件付けとして適用します。
- 本アプローチは基盤となるシーケンスモデルに依存せず、LSTMsや時間的畳み込みネットワーク（TCNs）などのアーキテクチャと統合できます。
- 合成データ、半合成データ、および実世界データを用いた広範な実験により、CAETCは既存手法に対して反事実推定の顕著な改善をもたらすことを示しています。
時系列における反事実推定は、個別化医療のようなさまざまな応用分野で重要です。しかし、観測データにおける時系列依存の交絡バイアスは、正確かつ効率的な推定を達成するうえで依然として重大な課題です。我々はこの問題に対する新規の手法として、因果オートエンコーディングと治療条件付け（CAETC）を導入します。敵対的表現学習に基づく本手法は、オートエンコーディングアーキテクチャを活用して部分的に可逆で治療不変な表現を学習し、結果予測タスクを表現への治療特異的条件付けを適用することとして位置づけます。私たちの設計は基盤となる系列モデルに依存せず、長短期記憶（LSTMs）や時間的畳み込みネットワーク（TCNs）などの既存アーキテクチャに適用・統合可能です。合成データ、半合成データ、および実世界データを用いた広範な実験を行い、CAETCが従来の手法に比べて反事実推定に顕著な改善をもたらすことを示します。
