CausalPrism：面向亚组基于因果异质性探索的可视化分析方法
人机交互
2024-08-13 v2
摘要
在因果推断中，估计观察数据中的异质处理效应（Heterogeneous Treatment Effects, HTEs）对于理解不同亚组对治疗的反应至关重要，具有精准医疗和定向广告等广泛应用前景。然而，现有关于HTE、亚组发现和因果可视化的工作不足以应对两个挑战：首先，潜在亚组的数量庞大，且需要在多个目标之间进行平衡（例如高效应和低方差），这构成了相当大的分析挑战。其次，有效的亚组分析必须遵循用户指定的分析目标，并提供经验证的因果结果。为此，我们提出了一种面向亚组基于因果异质性探索的可视化分析方法。具体而言，我们首先将因果亚组发现形式化为受约束的多目标优化问题，并采用启发式遗传算法学习由可解释规则描述的若干最优亚组的帕累托前沿。结合该模型，我们开发了一个原型系统CausalPrism，集成了表格可视化、多属性排序和不确定性图，以支持用户交互式地探索和排序亚组，解释治疗效应。定量实验验证，所提出的模型能够高效地挖掘出在HTE和亚组发现方法上均优于当前最先进方法的因果亚组。案例研究和专家访谈表明，该系统的有效性和可用性。代码已公开 https://osf.io/jaqmf/?view_only=ac9575209945476b955bf829c85196e9。
引用
@article{arxiv.2407.01893,
title = {CausalPrism: A Visual Analytics Approach for Subgroup-based Causal Heterogeneity Exploration},
author = {Jiehui Zhou and Xumeng Wang and Kam-Kwai Wong and Wei Zhang and Xingyu Liu and Juntian Zhang and Minfeng Zhu and Wei Chen},
journal= {arXiv preprint arXiv:2407.01893},
year = {2024}
}
备注
12 pages, 7 figures