Counterfactual Generative Modeling with Variational Causal Inference

要約

結果が高次元（遺伝子発現、顔画像など）であり、共変量が比較的限定されている場合、反事実的治療下で個人の潜在的な結果を推定することは、従来の因果推論および教師あり学習アプローチにとって困難なタスクです。
この場合、反事実的な治療下での結果を予測するには、共変量に加えて高次元で観察された結果に含まれる個人情報を活用することが重要です。
反事実生成モデリングで変分推論を使用したこれまでの研究は、条件付き変分オートエンコーダ定式化内のニューラル適応とモデルのバリアントに焦点を当ててきましたが、これは因果推論における反事実の概念には根本的に不適切であると我々は主張しています。
この研究では、反事実生成モデリング タスクを適切に処理するための新しい変分ベイジアン因果推論フレームワークとその理論的裏付けを提示します。これにより、反事実サンプルなしでトレーニング中に反事実監視をエンドツーエンドで実行し、潜在的なもつれの解消を促進できます。
これは、反事実の世代における因果関係を正しく特定するのに役立ちます。
実験では、複数のベンチマークで反事実生成モデリングにおける最先端のモデルと比較して、フレームワークの利点を実証します。

要約(オリジナル)

Estimating an individual’s potential outcomes under counterfactual treatments is a challenging task for traditional causal inference and supervised learning approaches when the outcome is high-dimensional (e.g. gene expressions, facial images) and covariates are relatively limited. In this case, to predict one’s outcomes under counterfactual treatments, it is crucial to leverage individual information contained in its high-dimensional observed outcome in addition to the covariates. Prior works using variational inference in counterfactual generative modeling have been focusing on neural adaptations and model variants within the conditional variational autoencoder formulation, which we argue is fundamentally ill-suited to the notion of counterfactual in causal inference. In this work, we present a novel variational Bayesian causal inference framework and its theoretical backings to properly handle counterfactual generative modeling tasks, through which we are able to conduct counterfactual supervision end-to-end during training without any counterfactual samples, and encourage latent disentanglement that aids the correct identification of causal effect in counterfactual generations. In experiments, we demonstrate the advantage of our framework compared to state-of-the-art models in counterfactual generative modeling on multiple benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google