Diffusion Model in Causal Inference with Unmeasured Confounders

要約

私たちは、測定されていない交絡因子の存在下で、観測データから因果関係の疑問に答えるために拡散モデルの使用を拡張する方法を研究します。
因果介入を捕捉するために有向非巡回グラフ (DAG) を使用するパールのフレームワークでは、すべての交絡因子が観察されていると仮定して、因果関係の質問をより正確に答えるために拡散モデルを組み込んだ拡散ベースの因果モデル (DCM) が提案されました。
ただし、実際には測定されていない交絡因子が存在し、DCM の適用を妨げています。
DCM のこの制限を緩和するために、バックドア基準ベースの DCM (BDCM) と呼ばれる拡張モデルを提案します。このモデルのアイデアは、拡散モデルのデコード プロセスに含まれる DAG 内の変数を見つけるためのバックドア基準に基づいています。
DCM を未測定の交絡因子のあるケースに拡張します。
合成データ実験は、私たちが提案したモデルが、測定されていない交絡因子の下で DCM よりも反事実の分布をより正確に捕捉していることを示しています。

要約(オリジナル)

We study how to extend the use of the diffusion model to answer the causal question from the observational data under the existence of unmeasured confounders. In Pearl’s framework of using a Directed Acyclic Graph (DAG) to capture the causal intervention, a Diffusion-based Causal Model (DCM) was proposed incorporating the diffusion model to answer the causal questions more accurately, assuming that all of the confounders are observed. However, unmeasured confounders in practice exist, which hinders DCM from being applicable. To alleviate this limitation of DCM, we propose an extended model called Backdoor Criterion based DCM (BDCM), whose idea is rooted in the Backdoor criterion to find the variables in DAG to be included in the decoding process of the diffusion model so that we can extend DCM to the case with unmeasured confounders. Synthetic data experiment demonstrates that our proposed model captures the counterfactual distribution more precisely than DCM under the unmeasured confounders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google