VLUCI：用于反事实推断的未观测混杂因素变分学习
机器学习
2023-09-08 v2 人工智能
统计方法学
摘要
因果推断在流行病学、医疗保健和经济学等多个领域发挥着至关重要的作用。观测数据中的去混杂与反事实预测已成为因果推断研究中的突出问题。尽管现有模型处理了已观测混杂因素，未观测混杂因素的存在仍是一大挑战，它会扭曲因果推断并影响反事实结果的准确性。为此，我们提出一种用于反事实推断的未观测混杂因素变分学习模型（VLUCI），其生成未观测混杂因素的后验分布。VLUCI 放宽了大多数因果推断方法常忽视的无混杂假设。通过解耦已观测与未观测混杂因素，VLUCI 构建了一个双变分推断模型来逼近未观测混杂因素的分布，并用于推断更精确的反事实结果。在合成与半合成数据集上的大量实验证明了 VLUCI 在推断未观测混杂因素上的优越性能。它与最先进的反事实推断模型兼容，在群体与个体层面均显著提升推断精度。此外，VLUCI 为反事实结果提供置信区间，辅助风险敏感领域的决策。我们进一步以公开 IHDP 数据集为例，阐明了将 VLUCI 应用于未观测混杂因素不严格符合模型假设情形时的注意事项，凸显了 VLUCI 的实用优势。
引用
@article{arxiv.2308.00904,
title = {VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference},
author = {Yonghe Zhao and Qiang Huang and Siwei Wu and Yun Peng and Huiyan Sun},
journal= {arXiv preprint arXiv:2308.00904},
year = {2023}
}
备注
15 pages, 8 figures