Orthogonal Representation Learning for Estimating Causal Quantities

要約

表現学習は、観察データからの原因量（条件付き平均治療効果など）の推定に広く使用されています。
既存の表現学習方法には、エンドツーエンドの学習を許可する利点がありますが、二重の堅牢性や準オラクル効率など、ネイマン – 正義学習者の好ましい理論的特性はありません。
また、このような表現学習方法は、バランスのような追加の制約を採用していることが多く、一貫性のない推定につながる可能性があります。
この論文では、表現レベルで定義された因果量について、ネイマン – 正義学習者の新しいクラスを提案します。
私たちのOR-Learnersにはいくつかの実際的な利点があります。これらは、学習した表現に基づいて因果量の一貫した推定を可能にし、二重の堅牢性や準オラクル効率を含む好ましい理論的特性を提供します。
複数の実験では、特定の規則性条件下で、OR-Learnersが既存の表現学習方法を改善し、最先端のパフォーマンスを達成することを示しています。
私たちの知る限り、私たちの学習者は、因果量の推定のために、表現学習方法の統一された枠組みとネイマンと正義の学習者を提供する最初の作業です。

要約(オリジナル)

Representation learning is widely used for estimating causal quantities (e.g., the conditional average treatment effect) from observational data. While existing representation learning methods have the benefit of allowing for end-to-end learning, they do not have favorable theoretical properties of Neyman-orthogonal learners, such as double robustness and quasi-oracle efficiency. Also, such representation learning methods often employ additional constraints, like balancing, which may even lead to inconsistent estimation. In this paper, we propose a novel class of Neyman-orthogonal learners for causal quantities defined at the representation level, which we call OR-learners. Our OR-learners have several practical advantages: they allow for consistent estimation of causal quantities based on any learned representation, while offering favorable theoretical properties including double robustness and quasi-oracle efficiency. In multiple experiments, we show that, under certain regularity conditions, our OR-learners improve existing representation learning methods and achieve state-of-the-art performance. To the best of our knowledge, our OR-learners are the first work to offer a unified framework of representation learning methods and Neyman-orthogonal learners for causal quantities estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google