GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding
GST-UNet：处理时变混杂的时空因果推断神经框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时变混杂下的因果效应，并将空间干扰列为核心问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
GST-UNet：处理时变混杂的时空因果推断神经框架
- 研究问题
- 面对空间干扰、时间延续效应及受过去处理影响的时变混杂，如何从单条时空观测轨迹估计复杂干预序列的因果效应？
- 方法与思路
- 作者结合 U-Net 时空编码器与基于回归的迭代 G-computation，估计位置特定的潜在结果，并进行模拟及野火烟霾应用。
- 材料陈述的贡献
- 摘要称，该框架显式调整时变混杂并刻画非线性时空依赖，模拟和加州 Camp Fire 呼吸住院分析展示其应用效果。
- 阅读关注点
- 应核对时序可交换性、干预支持范围与干扰结构的具体条件，以及单轨迹学习、迭代回归误差和不确定性处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出因果识别条件，神经网络拟合本身不能保证有效因果推断。
原文摘要
Estimating causal effects from spatiotemporal observational data is essential in public health, environmental science, and policy evaluation, where randomized experiments are often infeasible. Existing approaches, however, either rely on strong structural assumptions or fail to handle key challenges such as interference, spatial confounding, temporal carryover, and time-varying confounding -- where covariates are influenced by past treatments and, in turn, affect future ones. We introduce GST-UNet (G-computation Spatio-Temporal UNet), a theoretically grounded neural framework that combines a U-Net-based spatiotemporal encoder with regression-based iterative G-computation to estimate location-specific potential outcomes under complex intervention sequences. GST-UNet explicitly adjusts for time-varying confounders and captures non-linear spatial and temporal dependencies, enabling valid causal inference from a single observed trajectory in data-scarce settings. We validate its effectiveness in synthetic experiments and in a real-world analysis of wildfire smoke exposure and respiratory hospitalizations during the 2018 California Camp Fire. Together, these results position GST-UNet as a principled and ready-to-use framework for spatiotemporal causal inference, advancing reliable estimation in policy-relevant and scientific domains.