研究人员开发了一个名为Balanced Twins的新神经框架，用于改进时间序列数据的因果推断，特别是在处理隐藏混淆因素和交错的治疗采纳时。该方法学习个体时间序列和倾向得分的潜在表示，以估计个体治疗效果，然后用于计算接受治疗者的平均治疗效果（ATT）。该方法在真实的能源消耗数据和临床时间序列上进行了演示，显示了其在具有复杂动态和未观测偏差的场景中的有效性。 AI
影响 增强了时间序列数据的因果推断能力，可能改进能源和医疗保健等领域的决策。
排序理由 详细介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
