Continual Causal Effect Estimation: Challenges and Opportunities

要約

【タイトル】 継続的因果効果推定：課題と機会

【要約】
– 観察データ内の原因と結果のさらなる理解は、経済、医療、公共政策、ウェブマイニング、オンライン広告、マーケティングキャンペーンなど、多くの分野で重要である。
– 観測データに基づく因果効果推定における課題を克服するための重要な進展があり、対照的な結果の欠落や治療群と対照群の選択バイアスなどが存在する。ただし、既存の方法は主に、ソース固有の観測データに焦点を当てている。これらの学習戦略では、訓練段階ですべての観測データが利用可能で、そのデータは一つのソースにしかないと仮定している。
– 大規模データの時代において、因果推論において新たな課題を抱える。つまり、利用可能な観察データの拡張性、不均衡を除いた追加ドメイン適応問題への適応性、および膨大な量のデータへのアクセスが課題となる。
– このポジションペーパーでは、継続的な治療効果推定の問題を形式的に定義し、その課題を説明し、この問題に対する可能な解決策を提示する。さらに、このトピックへの将来の研究方向についても議論する。

要約(オリジナル)

A further understanding of cause and effect within observational data is critical across many domains, such as economics, health care, public policy, web mining, online advertising, and marketing campaigns. Although significant advances have been made to overcome the challenges in causal effect estimation with observational data, such as missing counterfactual outcomes and selection bias between treatment and control groups, the existing methods mainly focus on source-specific and stationary observational data. Such learning strategies assume that all observational data are already available during the training phase and from only one source. This practical concern of accessibility is ubiquitous in various academic and industrial applications. That’s what it boiled down to: in the era of big data, we face new challenges in causal inference with observational data, i.e., the extensibility for incrementally available observational data, the adaptability for extra domain adaptation problem except for the imbalance between treatment and control groups, and the accessibility for an enormous amount of data. In this position paper, we formally define the problem of continual treatment effect estimation, describe its research challenges, and then present possible solutions to this problem. Moreover, we will discuss future research directions on this topic.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI