Disentangle Estimation of Causal Effects from Cross-Silo Data

要約

異なる事象間の因果関係を推定することは、医薬品開発のような重要な分野にとって非常に重要である。それにもかかわらず、事象に関連するデータの特徴は、様々なサイロに分散し、それぞれの関係者内では非公開のままであることがあり、関係者間での直接的な情報交換を妨げている。その結果、共変量のサブセットのみの特徴に依存した局所的因果効果の偏った推定が行われる可能性がある。この課題に取り組むために、我々は、共有ブランチとプライベートブランチの組み合わせを通じて、因果メカニズムが強化されたモデルパラメータのシームレスなクロスサイロ伝送を促進するように設計された革新的なdisentangleアーキテクチャを導入する。さらに、様々なミッシングドメイン内のバイアスを効果的に緩和するために、式にグローバル制約を導入し、それによって因果効果推定の精度を向上させる。新しい半合成データセットで行った広範な実験により、我々の手法が最新のベースラインを上回ることが示された。

要約(オリジナル)

Estimating causal effects among different events is of great importance to critical fields such as drug development. Nevertheless, the data features associated with events may be distributed across various silos and remain private within respective parties, impeding direct information exchange between them. This, in turn, can result in biased estimations of local causal effects, which rely on the characteristics of only a subset of the covariates. To tackle this challenge, we introduce an innovative disentangle architecture designed to facilitate the seamless cross-silo transmission of model parameters, enriched with causal mechanisms, through a combination of shared and private branches. Besides, we introduce global constraints into the equation to effectively mitigate bias within the various missing domains, thereby elevating the accuracy of our causal effect estimation. Extensive experiments conducted on new semi-synthetic datasets show that our method outperforms state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL