Causal State-Space Model for Causal Inference: Estimating Longitudinal Individual Treatment Effects
Di cosa parla
Stimano come cambierebbero, nel tempo, gli esiti clinici di una persona se ricevesse trattamenti diversi a partire da dati osservazionali. Notano che rendere le rappresentazioni indipendenti dal trattamento cancella segnali utili alla previsione; per questo propongono due modelli a spazio di stati: uno che produce tutte le previsioni future in un'unica passata e uno che aggiunge obiettivi per mantenere la prevedibilità temporale e recuperare informazioni locali. Test su dati clinici e simulati mostrano miglioramenti.
Cosa permette di osservare
Permette di esplorare come bilanciare la rimozione di segnali legati al trattamento con la conservazione di informazioni temporali utili a predire gli esiti, e quali obiettivi di addestramento aiutano a risolvere questo conflitto.
Dalla fonte
Estimating counterfactual outcomes over time from longitudinal observational data is central to clinical decision support. Existing methods rely on domain confusion -- adversarial training that renders representations invariant to treatment assignment -- yet this invariance creates a mutual information conflict: it suppresses treatment-correlated covariate signals necessary for accurate outcome prediction. We formalise this tension via a Jensen-Shannon divergence bound on counterfactual prediction error and develop two complementary models. CSSD (Causal State-Space model with Direct decoder) adapts selective State Space Models with a parallel multi-step decoder that eliminates accumulated rollout error by producing all prediction horizons simultaneously in a single forward pass. CSSPD (Causal State-Space model with Predictive regularisation and Direct decoder) augments CSSD with Contras…