Neurlps2024论文解析|Causal Contrastive Learning for Counterfactual Regression Over Time-water-merged

论文标题

Causal Contrastive Learning for Counterfactual Regression Over Time 因果对比学习用于时间序列的反事实回归

论文链接

Causal Contrastive Learning for Counterfactual Regression Over Time论文下载

论文作者

Mouad El Bouchattaoui, Myriam Tami, Benoit Lepetit, Paul-Henry Cournède

内容简介

本文提出了一种新的反事实回归方法，旨在估计随时间变化的治疗效果，特别强调长期预测。与现有模型（如因果Transformer）不同，本文的方法利用循环神经网络（RNN）进行长期预测，并结合对比预测编码（CPC）和信息最大化（InfoMax）原则，以提高效率，避免使用计算量大的Transformer。该方法能够在存在时变混杂因素的情况下捕获长期依赖关系，并通过最大化序列数据与其表示之间的互信息，确保可逆表示的有效性。实验结果表明，该方法在合成和真实数据集上均取得了最先进的反事实估计结果，标志着对比预测编码在因果推断中的开创性应用。

分点关键点

1. 反