Long-term Causal Effects Estimation via Latent Surrogates Representation Learning

要約

短期的なサロゲートに基づいて長期的な因果効果を推定することは、マーケティングや医療など、多くの現実世界のアプリケーションにおいて重要ではあるが困難な問題です。
特定の分野での成功にもかかわらず、ほとんどの既存の方法は、理想主義的かつ単純化された方法で因果効果を推定します。つまり、短期的な結果の間の因果構造を無視し、それらすべてを代理として扱います。
ただし、そのような方法は、部分的に観測されたサロゲートが短期的な結果の中でプロキシと混合される現実のシナリオにはうまく適用できません。
この目的のために、柔軟な方法であるレーザーを開発し、サロゲートが観察されているか、プロキシが観察されているというより現実的な状況で長期的な因果効果を推定します。
(iVAE) 観測されたサロゲートまたは潜在的なサロゲートのプロキシを区別する必要なく、すべてのサロゲート候補で有効なサロゲート全体を回復します。
回復したサロゲートの助けを借りて、長期的な因果関係の偏りのない推定をさらに考案します。
実世界および半合成データセットに関する広範な実験結果は、提案された方法の有効性を示しています。

要約(オリジナル)

Estimating long-term causal effects based on short-term surrogates is a significant but challenging problem in many real-world applications, e.g., marketing and medicine. Despite its success in certain domains, most existing methods estimate causal effects in an idealistic and simplistic way – ignoring the causal structure among short-term outcomes and treating all of them as surrogates. However, such methods cannot be well applied to real-world scenarios, in which the partially observed surrogates are mixed with their proxies among short-term outcomes. To this end, we develop our flexible method, Laser, to estimate long-term causal effects in the more realistic situation that the surrogates are observed or have observed proxies.Given the indistinguishability between the surrogates and proxies, we utilize identifiable variational auto-encoder (iVAE) to recover the whole valid surrogates on all the surrogates candidates without the need of distinguishing the observed surrogates or the proxies of latent surrogates. With the help of the recovered surrogates, we further devise an unbiased estimation of long-term causal effects. Extensive experimental results on the real-world and semi-synthetic datasets demonstrate the effectiveness of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google