Counterfactual Generative Models for Time-Varying Treatments

要約

治療の反事実の結果を推定することは、とりわけ公衆衛生や臨床科学における意思決定に不可欠です。
多くの場合、治療は時間の経過に応じて連続的に行われるため、反事実につながる可能性のある結果の数が指数関数的に増加します。
さらに、現代の応用では結果は高次元であり、従来の平均的な治療効果の推定では個人間の格差を捉えることができません。
これらの課題に取り組むために、明示的な密度推定を必要とせずに、時間変動処理の下で反事実サンプルを生成できる新しい条件付き生成フレームワークを提案します。
私たちの方法は、逆確率再重み付けに基づく損失関数を介して、観察された分布と反事実的な分布の間の分布の不一致に注意深く対処し、誘導拡散や条件付き変分オートエンコーダなどの最先端の条件付き生成モデルとの統合をサポートします。
合成データと現実世界のデータの両方を使用して、メソッドの徹底的な評価を示します。
私たちの結果は、私たちの方法が高品質の反事実サンプルを生成でき、最先端のベースラインを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Estimating the counterfactual outcome of treatment is essential for decision-making in public health and clinical science, among others. Often, treatments are administered in a sequential, time-varying manner, leading to an exponentially increased number of possible counterfactual outcomes. Furthermore, in modern applications, the outcomes are high-dimensional and conventional average treatment effect estimation fails to capture disparities in individuals. To tackle these challenges, we propose a novel conditional generative framework capable of producing counterfactual samples under time-varying treatment, without the need for explicit density estimation. Our method carefully addresses the distribution mismatch between the observed and counterfactual distributions via a loss function based on inverse probability re-weighting, and supports integration with state-of-the-art conditional generative models such as the guided diffusion and conditional variational autoencoder. We present a thorough evaluation of our method using both synthetic and real-world data. Our results demonstrate that our method is capable of generating high-quality counterfactual samples and outperforms the state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google