用于解决因果推断中混杂 M-偏差问题的解耦潜在表示学习
机器学习
2023-12-12 v1 人工智能
统计方法学
摘要
在因果推断中，从观测数据估计因果效应是一项基本任务。然而，潜在混杂变量在观测数据的因果推断中带来了重大挑战，例如混杂偏差和 M-偏差。近期数据驱动的因果效应估计器通过平衡表示学习解决混杂偏差问题，但假设系统中不存在 M-偏差，因此它们无法处理 M-偏差。在本文中，我们识别出一个由同时导致混杂偏差和 M-偏差的变量引发的具有挑战性且未解决的问题。为了解决这种同时存在 M-偏差和混杂偏差的问题，我们提出了一种新颖的解耦潜在表示学习框架，用于从代理变量中学习潜在表示，以从观测数据中进行无偏因果效应估计。具体而言，该方法从测量到的代理变量中学习三组潜在表示，以调整混杂偏差和 M-偏差。在合成数据集和三个真实世界数据集上的大量实验表明，在同时存在混杂偏差和 M-偏差的情况下，DLRCE 显著优于最先进的估计器。
引用
@article{arxiv.2312.05404,
title = {Disentangled Latent Representation Learning for Tackling the Confounding M-Bias Problem in Causal Inference},
author = {Debo Cheng and Yang Xie and Ziqi Xu and Jiuyong Li and Lin Liu and Jixue Liu and Yinghao Zhang and Zaiwen Feng},
journal= {arXiv preprint arXiv:2312.05404},
year = {2023}
}
备注
10 pages, 3 figures and 5 tables. Accepted by ICDM2023