Optimal Transport for Treatment Effect Estimation

要約

治療選択バイアスが存在するため、観察データから条件付き平均治療効果を推定することは非常に困難です。
一般的な方法は、潜在空間内の異なる治療グループの分布を揃えることによってこの問題を軽減します。
しかし、これらの方法では対処できない重大な問題が 2 つあります。(1) ミニバッチ サンプリング効果 (MSE)。これは、結果の不均衡と外れ値を伴う理想的でないミニバッチで不整合を引き起こします。
(2) 観測されていない交絡因子効果 (UCE)。観測されていない交絡因子が無視されるため、不正確な不一致計算が発生します。
これらの問題に取り組むために、私たちは、因果関係の文脈における最適な輸送についての新たな解釈である、全空間カウンター事実回帰 (ESCFR) と呼ばれる原則に基づいたアプローチを提案します。
具体的には、確率的最適輸送のフレームワークに基づいて、MSE 問題に対処するための緩和された質量保存正則化を提案し、UCE 問題を処理するための近似的事実結果正則化を設計します。
広範な実験により、私たちが提案したESCFRが治療選択のバイアスにうまく対処し、最先端の方法よりも大幅に優れたパフォーマンスを達成できることが実証されました。

要約(オリジナル)

Estimating conditional average treatment effect from observational data is highly challenging due to the existence of treatment selection bias. Prevalent methods mitigate this issue by aligning distributions of different treatment groups in the latent space. However, there are two critical problems that these methods fail to address: (1) mini-batch sampling effects (MSE), which causes misalignment in non-ideal mini-batches with outcome imbalance and outliers; (2) unobserved confounder effects (UCE), which results in inaccurate discrepancy calculation due to the neglect of unobserved confounders. To tackle these problems, we propose a principled approach named Entire Space CounterFactual Regression (ESCFR), which is a new take on optimal transport in the context of causality. Specifically, based on the framework of stochastic optimal transport, we propose a relaxed mass-preserving regularizer to address the MSE issue and design a proximal factual outcome regularizer to handle the UCE issue. Extensive experiments demonstrate that our proposed ESCFR can successfully tackle the treatment selection bias and achieve significantly better performance than state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google