continuous-time models

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

Cette recherche aborde les défis de l'inférence causale en temps continu dus aux facteurs de confusion cachés, démontrant que l'observabilité de la dynamique latente est cruciale pour identifier les effets de traitement dynamiques. Elle propose les Observable Neural ODEs (ObsNODEs), un modèle novateur pour la prévision causale qui apprend des dynamiques continues reconstructibles.