Kausale Effekt Inferenz mit tiefen latenten Variablenmodellen

Das Lernen von individuellen kausalen Effekten aus beobachtungsdaten, wie zum Beispiel die Ableitung der wirksamsten Medikation für einen bestimmten Patienten, ist ein Problem wachsender Bedeutung für Entscheidungsträger. Der wichtigste Aspekt bei der Schätzung kausaler Effekte aus beobachtungsdaten ist die Behandlung von Verklammerungen (Confounders), Faktoren, die sowohl eine Intervention als auch deren Auswirkungen beeinflussen. Eine sorgfältig gestaltete Beobachtungsstudie versucht, alle wichtigen Verklammerungen zu messen. Dennoch kann es vorkommen, dass man nicht über direkten Zugriff auf alle Verklammerungen verfügt; in solchen Fällen können jedoch noisy und unsichere Messungen von Proxies für Verklammerungen existieren. Wir bauen auf jüngste Fortschritte im Bereich des Modellierens latenter Variablen auf, um gleichzeitig den unbekannten latenten Raum, der die Verklammerungen zusammenfasst, und den kausalen Effekt zu schätzen. Unsere Methode basiert auf Variationellen Autoencodern (VAE), die der kausalen Struktur der Inferenz mit Proxies folgen. Wir zeigen, dass unsere Methode erheblich robuster als bestehende Methoden ist und den aktuellen Stand der Technik bei früheren Benchmarks zur Schätzung individueller Behandlungseffekte erreicht.