Compositional Models for Estimating Causal Effects

要約

現実世界のシステムの多くは、相互作用するコンポーネントのセットとして表すことができます。
このようなシステムの例には、クエリ プロセッサなどの計算システム、細胞などの自然システム、家族などの社会システムが含まれます。
従来の（連想）機械学習では、統計的関係モデルやグラフ ニューラル ネットワークなど、このような構造化システムをモデル化するための多くのアプローチが提案されてきました。
このような以前の研究にもかかわらず、因果効果を推定するための既存のアプローチは通常、そのようなシステムを単一のユニットとして扱い、固定された変数セットで表し、均一なデータ生成プロセスを想定しています。
私たちは、各ユニットが複数の異種コンポーネントの組成によって表される構造化システムにおける個別治療効果 (ITE) を推定するための組成的アプローチを研究しています。
このアプローチでは、モジュラー アーキテクチャを使用して各コンポーネントの潜在的な結果をモデル化し、コンポーネント レベルの潜在的な結果を集約してユニット レベルの潜在的な結果を取得します。
私たちは、因果推論における構成的アプローチの新たな利点、つまり、コンポーネントの目に見えない組み合わせによる反事実の結果を推定する体系的な一般化と、因果効果推定の古典的な方法と比較して治療群と対照群の間の重複保証の改善を発見しました。
また、組成アプローチを経験的に評価するための一連の新しい環境を導入し、シミュレートされたデータと現実世界のデータの両方を使用してアプローチの有効性を実証します。

要約(オリジナル)

Many real-world systems can be represented as sets of interacting components. Examples of such systems include computational systems such as query processors, natural systems such as cells, and social systems such as families. Many approaches have been proposed in traditional (associational) machine learning to model such structured systems, including statistical relational models and graph neural networks. Despite this prior work, existing approaches to estimating causal effects typically treat such systems as single units, represent them with a fixed set of variables and assume a homogeneous data-generating process. We study a compositional approach for estimating individual treatment effects (ITE) in structured systems, where each unit is represented by the composition of multiple heterogeneous components. This approach uses a modular architecture to model potential outcomes at each component and aggregates component-level potential outcomes to obtain the unit-level potential outcomes. We discover novel benefits of the compositional approach in causal inference – systematic generalization to estimate counterfactual outcomes of unseen combinations of components and improved overlap guarantees between treatment and control groups compared to the classical methods for causal effect estimation. We also introduce a set of novel environments for empirically evaluating the compositional approach and demonstrate the effectiveness of our approach using both simulated and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google