解混淆时间自编码器：使用噪声代理估计随时间变化的治疗效果

从观察数据中估计个体治疗效果 (ITE) 对于决策至关重要。为了获得无偏的 ITE 估计，一个常见的假设是所有混杂因素都被观察到。然而，在实践中，我们不太可能直接观察到这些混杂因素。相反，我们通常观察到真实混杂因素的噪声测量值，这些噪声测量值可以作为有效的代理。在本文中，我们解决了在纵向设置中估计 ITE 的问题，在该设置中，我们观察到噪声代理而不是真实的混杂因素。为此，我们开发了解混淆时间自编码器 (DTA)，这是一种新颖的方法，它利用观察到的噪声代理来学习一个隐藏的嵌入，该嵌入反映了真实的隐藏混杂因素。特别是，DTA 将长短期记忆自编码器与因果正则化惩罚相结合，该惩罚使潜在结果和治疗分配在给定学习到的隐藏嵌入的情况下条件独立。一旦通过 DTA 学习了隐藏嵌入，最先进的结果模型就可以用于控制它并获得 ITE 的无偏估计。使用合成和现实世界的医疗数据，我们证明了 DTA 的有效性，通过大幅度优于最先进的基准测试来证明这一点。