continuous-time models

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

Diese Forschung befasst sich mit Herausforderungen bei der kausalen Inferenz in kontinuierlicher Zeit aufgrund versteckter Störgrößen und zeigt, dass die Beobachtbarkeit latenter Dynamiken entscheidend für die Identifizierung dynamischer Behandlungseffekte ist. Sie schlägt Observable Neural ODEs (ObsNODEs) vor, ein neuartiges Modell für kausale Prognosen, das rekonstruierbare kontinuierliche Zeitdynamiken lernt.