Geometry-Aware Normalizing Wasserstein Flows for Optimal Causal Inference

要約

この論文では、連続正規化フロー (CNF) をパラメトリック サブモデルと統合し、その幾何学的感度を強化し、従来のターゲット最尤推定 (TMLE) を改善することにより、因果推論への画期的なアプローチを紹介します。
私たちの手法では、CNF を使用して TMLE を改良し、Cram\’er-Rao 境界を最適化し、事前定義された分布 $p_0$ からデータ駆動型の分布 $p_1$ に移行します。
私たちは、フォッカー・プランク方程式内にワッサーシュタイン勾配流を埋め込むことでさらに革新し、特に最適輸送理論において CNF の堅牢性を高める幾何学的構造を課します。
私たちのアプローチは、パラメーター推定バイアスの重要な要素であるサンプルと母集団の分布間の不均衡に対処します。
当社は、最適な輸送とワッサーシュタイン勾配フローを活用して、有限サンプル設定における分散を最小限に抑えた因果推論手法を開発し、TMLE や AIPW などの従来の手法を上回ります。
Wasserstein 勾配流れを中心としたこの新しいフレームワークは、分布 $p_t$ の下での効率的な影響関数の分散を最小限に抑えます。
予備実験では、標準的な流れと比較して平均二乗誤差が低くなり、我々の手法の優位性が示され、統計モデリングと推論の進歩において幾何学を意識した正規化ワッサーシュタイン流れの可能性が実証されました。

要約(オリジナル)

This paper presents a groundbreaking approach to causal inference by integrating continuous normalizing flows (CNFs) with parametric submodels, enhancing their geometric sensitivity and improving upon traditional Targeted Maximum Likelihood Estimation (TMLE). Our method employs CNFs to refine TMLE, optimizing the Cram\’er-Rao bound and transitioning from a predefined distribution $p_0$ to a data-driven distribution $p_1$. We innovate further by embedding Wasserstein gradient flows within Fokker-Planck equations, thus imposing geometric structures that boost the robustness of CNFs, particularly in optimal transport theory. Our approach addresses the disparity between sample and population distributions, a critical factor in parameter estimation bias. We leverage optimal transport and Wasserstein gradient flows to develop causal inference methodologies with minimal variance in finite-sample settings, outperforming traditional methods like TMLE and AIPW. This novel framework, centered on Wasserstein gradient flows, minimizes variance in efficient influence functions under distribution $p_t$. Preliminary experiments showcase our method’s superiority, yielding lower mean-squared errors compared to standard flows, thereby demonstrating the potential of geometry-aware normalizing Wasserstein flows in advancing statistical modeling and inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google