因果効果推論に深層潜在変数モデルを使用する

観察データから個人レベルの因果効果を学習する問題、例えば特定の患者にとって最も効果的な薬を推定することは、政策決定者にとってますます重要な課題となっています。観察データから因果効果を推定する上で最も重要な側面は、介入とその結果に影響を与える要因である混雑因子（confounders）の処理です。慎重に設計された観察研究では、すべての重要な混雑因子を測定しようとします。しかし、直接的にすべての混雑因子にアクセスできない場合でも、混雑因子の代理変数（proxies）のノイジーで不確かな測定値が存在することがあります。私たちは最近の潜在変数モデリングの進歩に基づいて、未知の潜在空間（latent space）が混雑因子を要約し、因果効果を同時に推定する方法を開発しました。当手法は、代理変数を使用した因果推論の構造に従う変分オートエンコーダ（Variational Autoencoders: VAE）を利用しています。実験結果により、当手法が既存の手法よりも著しく堅牢であり、個々の治療効果に焦点を当てた以前のベンチマークにおいて最先端技術と同等の性能を示すことが確認されました。