DR-VIDAL — Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data

要約

タイトル：実世界のデータに対する因果効果推定と治療効果推定のためのダブルロバスト変分情報理論的深層敵対的学習DR-VIDAL

要約：

– 実世界の非ランダム化観察データ（例えば電子保健記録を用いた治療転用）から介入による結果に対する因果効果を決定することは、潜在的なバイアスのために困難である。
– 因果的なディープラーニングは、個人ベースの治療効果推定(ITE)を伝統的な技術より改善している。
– DR-VIDALは、二つのトリートメントとアウトカムの合同モデルを組み合わせた新しい生成フレームワークで、一方が誤って指定された場合でもバイアスのないITEの推定を確実にする。
– DR-VIDALは、次の3つを統合している：(i)因果関係に基づいて共変量を潜在変数に因数分解するための変分オートエンコーダ（VAE）、(ii)反事実生成のための情報理論的生成的敵対ネットワーク（Info-GAN）、(iii)アウトカム予測のための治療傾向を組み込むダブルロバストブロック。
– DR-VIDALは、合成と実世界のデータセット（乳児保健・発達プログラム、双子出産登録、国立サポート労働プログラム）に対して、他の非生成的及び生成的方法よりも良好な性能を発揮する。
– 結論として、DR-VIDALは、因果推論の仮定、VAE、Info-GAN、そしてダブルロバスト性を包括的、パフォーマンス向上のために融合した唯一のフレームワークである。コードはMITライセンスの下でhttps://github.com/Shantanu48114860/DR-VIDAL-AMIA-22から入手可能である。

要約(オリジナル)

Determining causal effects of interventions onto outcomes from real-world, observational (non-randomized) data, e.g., treatment repurposing using electronic health records, is challenging due to underlying bias. Causal deep learning has improved over traditional techniques for estimating individualized treatment effects (ITE). We present the Doubly Robust Variational Information-theoretic Deep Adversarial Learning (DR-VIDAL), a novel generative framework that combines two joint models of treatment and outcome, ensuring an unbiased ITE estimation even when one of the two is misspecified. DR-VIDAL integrates: (i) a variational autoencoder (VAE) to factorize confounders into latent variables according to causal assumptions; (ii) an information-theoretic generative adversarial network (Info-GAN) to generate counterfactuals; (iii) a doubly robust block incorporating treatment propensities for outcome predictions. On synthetic and real-world datasets (Infant Health and Development Program, Twin Birth Registry, and National Supported Work Program), DR-VIDAL achieves better performance than other non-generative and generative methods. In conclusion, DR-VIDAL uniquely fuses causal assumptions, VAE, Info-GAN, and doubly robustness into a comprehensive, performant framework. Code is available at: https://github.com/Shantanu48114860/DR-VIDAL-AMIA-22 under MIT license.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI