arXiv cs.AI· Chuanqi Lao, Junzhou Huang, Qiao Liu·· 3 天前AI 评分22
HiSTOR：面向高维纵向数据的结构化治疗-结局表征学习框架
HiSTOR: Structured Treatment-outcome Representation Learning for High-Dimensional Longitudinal Data
AI 导读
研究者提出 HiSTOR，一个将非线性降维与纵向反事实预测整合的端到端框架，通过按治疗分配与结局的共享及差异关系，学习当前患者状态与演化历史的结构化低维表征。在 CVSim 和 CancerSim 上，HiSTOR 在不同协变量维度、混杂强度和预测时间跨度下均优于现有方法，并支持指定治疗序列下的单步与多步结局预测。
正文 · AI 翻译
摘要：在替代治疗方案序列下估计潜在结果对于个性化决策至关重要，但在高维协变量和时变混杂因素下仍然具有挑战性。在本研究中，我们提出了 HiSTOR（高维结构化治疗-结果表示），这是一个将非线性降维与纵向反事实预测相结合的端到端框架。其核心思想是根据当前患者状态和演变历史与治疗分配及结果之间的共享和独特关系，学习二者的结构化低维表示。这将潜在空间协变量调整扩展到纵向场景，同时解决协变量维度和历史复杂性问题。由此产生的框架支持在指定治疗方案序列下进行单步和多步结果预测。在 CVSim 和 CancerSim 上的实验表明，与最先进的方法相比，HiSTOR 在不同协变量维度、混杂强度和预测时间范围下均具有优越性。总之，HiSTOR 提供了一种将高维协变量调整与纵向潜在结果预测相连接的统一方法。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17739 [cs.LG] |
| （或 arXiv:2610.17739v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17739 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chuanqi Lao [查看电子邮件]
[v1]
2026年10月13日星期二 05:17:38 UTC（483 KB）
来源：arXiv cs.AI · arxiv.org