g-formula
PulseAugur coverage of g-formula — every cluster mentioning g-formula across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LSTM模型增强了复杂序列数据的因果推断估计器
研究人员开发了一种用于g公式的新型即插即用估计器。g公式是一种用于估计持续治疗的因果效应的方法，尤其适用于存在治疗-混淆因素反馈的场景。这种新方法利用了擅长处理序列数据中复杂时间依赖性的长短期记忆（LSTM）模型，作为传统参数模型的替代方案。初步研究表明，与参数方法相比，基于LSTM的估计器在复杂的HIV队列等数据生成机制中表现出更低的偏差，并实现了接近名义值的置信区间覆盖率。
-
新框架TCDA支持对复杂因果数据进行拓扑分析
研究人员推出了一种新颖的数学框架——拓扑因果数据分析（TCDA），旨在处理超越简单数值结果的复杂数据结构。TCDA将观测空间、因果模型类别、拓扑表示和因果查询分开，在建立因果假设后，能够实现稳定且对形状敏感的摘要。该框架区分了结果层面和分布层面的TCDA，描述了它们的一致性，并为Banach空间值摘要提供了表示。它还阐明了在不需要完整干预律的情况下，何时可以识别协变量标准化粗略效应，并定义了因果发现中观测拓扑的局限性。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。
-
新的贝叶斯网络模型追踪阿尔茨海默病进展
研究人员开发了一个名为“具有潜在时间嵌入的贝叶斯网络”（BN-LTE）的新框架来模拟阿尔茨海默病的进展。该方法使用贝叶斯网络来估计疾病的伪时间，并理解生物标志物关系如何影响未来的病理。BN-LTE 使用了阿尔茨海默病神经影像计划（ADNI）的数据进行了评估，并展示了 tau 蛋白进展的强大空间重建能力，识别出了淀粉样蛋白敏感性影响 AT(N) 级联的关键窗口。