DiffPO: A causal diffusion model for learning distributions of potential outcomes

要約

観察データから介入の潜在的な結果を予測することは、医療における意思決定にとって重要ですが、因果推論という根本的な問題があるため、この作業は困難です。
既存の手法は主に、不確実な定量化を伴わない潜在的な結果の点推定に限定されています。
したがって、潜在的な結果の分布に関する完全な情報は通常無視されます。
この論文では、DiffPO と呼ばれる新しい因果拡散モデルを提案します。これは、潜在的な結果の分布を学習することにより、医学において信頼できる推論を行えるように慎重に設計されています。
私たちの DiffPO では、調整された条件付きノイズ除去拡散モデルを活用して複雑な分布を学習し、新しい直交拡散損失を通じて選択バイアスに対処します。
私たちの DiffPO 手法のもう 1 つの強みは、柔軟性が高いことです (たとえば、CATE などのさまざまな因果量を推定するためにも使用できます)。
幅広い実験を通じて、私たちの方法が最先端のパフォーマンスを達成することを示しました。

要約(オリジナル)

Predicting potential outcomes of interventions from observational data is crucial for decision-making in medicine, but the task is challenging due to the fundamental problem of causal inference. Existing methods are largely limited to point estimates of potential outcomes with no uncertain quantification; thus, the full information about the distributions of potential outcomes is typically ignored. In this paper, we propose a novel causal diffusion model called DiffPO, which is carefully designed for reliable inferences in medicine by learning the distribution of potential outcomes. In our DiffPO, we leverage a tailored conditional denoising diffusion model to learn complex distributions, where we address the selection bias through a novel orthogonal diffusion loss. Another strength of our DiffPO method is that it is highly flexible (e.g., it can also be used to estimate different causal quantities such as CATE). Across a wide range of experiments, we show that our method achieves state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google