Conditional diffusion for causal inference with state space representation

LI Yan-min

doi:10.1016/j.knosys.2026.116800

Conditional diffusion for causal inference with state space representation

2026-08-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116800

原文链接

原文求助

摘要

En 中文

基于观测数据的因果推断，特别是在估计个体层面效应方面，在医疗保健和经济学等高风险领域中至关重要。许多针对潜在结果预测的既定方法在每种处理下仅提供一个估计值，这无法描述结果变异或个体间的分布异质性。近期生成方法通过估计条件潜在结果分布超越了此类点估计，但有效整合观测协变量间的结构和时间依赖性仍是一个关键挑战。为解决这些不足，我们提出了CoDiS，一种通过结构感知状态空间去噪架构来估计潜在结果分布的条件扩散框架。具体而言，CoDiS在反向去噪过程中利用基于SSM的主干网络联合处理协变量-处理条件、噪声结果状态和扩散时间步。该设计使反向去噪过程能够利用观测变量间的潜在依赖关系，从而提升潜在结果分布的生成效果。在COVID-19数据集和标准因果基准上的广泛评估表明，CoDiS在分布估计和点估计两方面均具有有效性。代码可在https://github.com/JustinLiam/CoDiS获取。

Keyword:

Causal inference

Potential outcome prediction

State space model

Conditional diffusion

Distributional estimation

Conditional diffusion for causal inference with state space representation

摘要

期刊

机构

引用论文