Synergie von Deconfounding und Zeitgeneralisierung für Zeitreihen-Kounterfactuals

Die präzise Schätzung von Kounterfactual-Ergebnissen aus Zeitreihen ist entscheidend für Entscheidungen wie die optimale Zeit für lebensrettende Behandlungen. Dabei stehen zwei große Hindernisse im Weg: die Kounterfactual-Trajektorie ist nie beobachtet, und sich wandelnde Konfounder verfälschen die Schätzung an jedem Schritt.

In der neuen Studie wird ein innovatives Framework vorgestellt, das die Ansätze Sub‑Treatment‑Group‑Alignment (SGA) und Random Temporal Masking (RTM) miteinander verbindet. SGA nutzt iterative, behandlungsagnostische Clusterung, um feinkörnige Untergruppen von Behandlungen zu identifizieren. Durch die Ausrichtung dieser Untergruppen wird die Verteilung der Daten besser abgeglichen, was zu einer effektiveren Entfernung von Konfoundern führt. Theoretisch wird gezeigt, dass SGA eine engere obere Schranke für das Kounterfactual‑Risiko optimiert.

RTM fördert die zeitliche Generalisierung, indem während des Trainings zufällig Eingabe­variablen durch Gauß‑Rauschen ersetzt werden. Dadurch lernt das Modell, weniger auf potenziell verrauschte oder spurielle Korrelationen des aktuellen Zeitpunkts zu vertrauen und stärker auf stabile historische Muster zu setzen. Das Ergebnis ist eine verbesserte Fähigkeit, über die Zeit hinweg zu generalisieren und die zugrunde liegenden kausalen Beziehungen zu bewahren.

Experimentelle Ergebnisse zeigen, dass sowohl SGA als auch RTM einzeln die Schätzung von Kounterfactual-Ergebnissen verbessern. Die Kombination beider Methoden führt jedoch konsequent zu einem neuen Stand der Technik, indem sie die Genauigkeit der Vorhersagen deutlich steigert.