To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data

要約

ネットワーク化された観察データの不均衡な性質により、一部の個人に対する因果効果の予測は、肯定性/重複の仮定に大きく違反し、信頼性の低い推定をもたらす可能性があります。
それにもかかわらず、ネットワーク化されたデータに基づいて個人レベルの治療効果を推定することのこの潜在的なリスクは、ほとんど調査されていません。
より信頼できる因果効果推定器を作成するために、リプシッツ制約を備えた不確実性を考慮したグラフディープカーネル学習 (GraphDKL) フレームワークを提案し、ガウスプロセスで予測の不確実性をモデル化し、信頼性の低い推定値を特定します。
私たちの知る限り、GraphDKL は、グラフを使用した因果効果推定を実行する際の肯定的な仮定の違反に取り組む最初のフレームワークです。
広範な実験により、ネットワーク化されたデータに対する不確実性を意識した因果効果推定における提案手法の優位性を実証しました。

要約(オリジナル)

Due to the imbalanced nature of networked observational data, the causal effect predictions for some individuals can severely violate the positivity/overlap assumption, rendering unreliable estimations. Nevertheless, this potential risk of individual-level treatment effect estimation on networked data has been largely under-explored. To create a more trustworthy causal effect estimator, we propose the uncertainty-aware graph deep kernel learning (GraphDKL) framework with Lipschitz constraint to model the prediction uncertainty with Gaussian process and identify unreliable estimations. To the best of our knowledge, GraphDKL is the first framework to tackle the violation of positivity assumption when performing causal effect estimation with graphs. With extensive experiments, we demonstrate the superiority of our proposed method in uncertainty-aware causal effect estimation on networked data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google