新方法从不规则历史数据中学习以进行因果推断

研究人员推出了一种名为Doubly Robust Functional Representation Learning (DR-FRL) 的新工作流程，旨在处理纵向因果研究中不规则的历史数据。该方法将零散的历史信息，例如以不规则间隔记录的实验室数值和传感器流，转化为用于分析的目标状态。DR-FRL采用函数式和时间编码器，以及用于估计结果、处理和审查函数的滋扰头，以确保学习到的表示支持高效的影响函数。模拟和对VitalDB数据集的审计证明了DR-FRL的有效性，特别是在高维函数式混淆或重尾伪结果的情况下，表明其在从复杂、不规则采样的有价值信息中提取有意义信息方面的效用。 AI

影响 引入了一种新颖的统计学习方法，用于改进具有复杂、不规则采样时间序列数据的因果推断。

排序理由 详细介绍因果推断新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Catoni aggregation
• Doubly Robust Functional Representation Learning
• DR-FRL
• VitalDB

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →