用于因果中介分析的解耦表示
机器学习
2023-12-19 v2 统计方法学
摘要
从观测数据估计直接与间接因果效应对理解因果机制并预测不同干预下的行为至关重要。因果中介分析是一种常用于揭示直接与间接效应的方法。深度学习在中介分析中展现出前景，但当前方法仅假设影响处理、中介和结果的潜在混杂因素，且未能识别不同类型的潜在混杂因素（例如，仅影响中介或结果的混杂因素）。此外，当前方法基于序列可忽略性假设，该假设难以处理多种类型的潜在混杂因素。本工作旨在规避序列可忽略性假设，并采用分段去混杂假设作为替代。我们提出解耦中介分析变分自编码器（Disentangled Mediation Analysis Variational AutoEncoder, DMAVAE），将潜在混杂因素表示解耦为三类，以准确估计自然直接效应、自然间接效应和总效应。实验结果表明，所提方法优于现有方法且具有强泛化能力。我们进一步将该应用于真实世界数据集以展示其潜在应用。
引用
@article{arxiv.2302.09694,
title = {Disentangled Representation for Causal Mediation Analysis},
author = {Ziqi Xu and Debo Cheng and Jiuyong Li and Jixue Liu and Lin Liu and Ke Wang},
journal= {arXiv preprint arXiv:2302.09694},
year = {2023}
}
备注
This paper has been accepted by AAAI 2023. Please check: https://doi.org/10.1609/aaai.v37i9.26266