研究人员开发了两种新模型 CSSD 和 CSSPD，以改进纵向观察数据的因果推断，这是临床决策支持的关键任务。这些模型解决了现有方法中的一个基本矛盾：用于处理不变性的对抗性训练会抑制重要的结果预测信号。特别是 CSSPD 结合了对比预测编码和局部信息最大化，以增强时间可预测性并恢复丢失的协变量信息。在 MIMIC-III 数据库上的实验表明，CSSPD 在反事实均方根误差方面优于 Causal Transformer，而在癌症模拟数据集上，CSSD 实现了最低的总体平均 RMSE。 AI
影响 这些模型提供了一种更稳健的方法来理解随时间推移的处理效应，有可能改进临床决策和医学研究。
排序理由 该集群包含一篇详细介绍新模型和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Cancer Simulation
- Causal State-Space model with Direct decoder
- Causal State-Space model with Predictive regularisation and Direct decoder
- Causal Transformer
- CSSPD
- MIMIC-III
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
