Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data

要約

長期にわたる治療効果の推定は、精密医療、疫学、経済、マーケティングなど、多くの実世界のアプリケーションに関連します。
多くの最先端の手法は、すべての交絡因子の観測を仮定するか、観測されていない交絡因子を推論しようとします。
観察されていないリスク要因、つまり一連の結果のみに影響を与える調整変数を仮定することで、異なる視点を採用します。
無交絡のもとでは、リスク因子の欠落による治療反応の観察されない不均一性を伴う個別治療効果（ITE）の推定を対象とします。
私たちは、時間とともに変化する影響や観測されていない調整変数によってもたらされる課題に取り組みます。
学習した調整変数の有効性と治療効果の一般化限界に関する理論的結果に基づいて、因果的 DVAE (CDVAE) を考案します。
このモデルは、動的変分オートエンコーダー (DVAE) フレームワークと傾向スコアを使用した重み付け戦略を組み合わせて、反事実の応答を推定します。
CDVAE モデルにより、ITE の正確な推定が可能になり、縦断データの根底にある不均一性が捕捉されます。
当社のモデルの評価では、最先端のモデルよりも優れたパフォーマンスが示されています。

要約(オリジナル)

Estimating treatment effects over time is relevant in many real-world applications, such as precision medicine, epidemiology, economy, and marketing. Many state-of-the-art methods either assume the observations of all confounders or seek to infer the unobserved ones. We take a different perspective by assuming unobserved risk factors, i.e., adjustment variables that affect only the sequence of outcomes. Under unconfoundedness, we target the Individual Treatment Effect (ITE) estimation with unobserved heterogeneity in the treatment response due to missing risk factors. We address the challenges posed by time-varying effects and unobserved adjustment variables. Led by theoretical results over the validity of the learned adjustment variables and generalization bounds over the treatment effect, we devise Causal DVAE (CDVAE). This model combines a Dynamic Variational Autoencoder (DVAE) framework with a weighting strategy using propensity scores to estimate counterfactual responses. The CDVAE model allows for accurate estimation of ITE and captures the underlying heterogeneity in longitudinal data. Evaluations of our model show superior performance over state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google