continuous-time models

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

Esta investigación aborda los desafíos en la inferencia causal en tiempo continuo debido a factores de confusión ocultos, demostrando que la observabilidad de la dinámica latente es crucial para identificar efectos de tratamiento dinámicos. Propone los Observable Neural ODEs (ObsNODEs), un modelo novedoso para la previsión causal que aprende dinámicas de tiempo continuo reconstruibles.