깊은 잠재변수 모델을 이용한 인과 효과 추론

관찰 데이터에서 개인 수준의 인과 효과를 학습하는 문제, 예를 들어 특정 환자에게 가장 효과적인 약물을 추론하는 것,은 정책 결정자들에게 점점 더 중요한 문제가 되고 있습니다. 관찰 데이터에서 인과 효과를 추론하는 데 가장 중요한 측면은 혼동 요인(confounders)을 처리하는 것입니다. 혼동 요인은 개입과 그 결과 모두에 영향을 미치는 요소입니다. 신중하게 설계된 관찰 연구는 모든 중요한 혼동 요인을 측정하려고 합니다. 그러나 직접적으로 모든 혼동 요기에 접근할 수 없더라도, 혼동 요인의 대리 변수(proxies)에 대한 노이즈가 많고 불확실한 측정값이 존재할 수 있습니다. 우리는 잠재 변수 모델링의 최근 발전을 바탕으로 혼동 요인을 요약하는 알려지지 않은 잠재 공간(latent space)과 인과 효과를 동시에 추정합니다. 우리의 방법은 대리 변수와 함께 인과 구조를 따르는 변분 오토인코더(Variational Autoencoders, VAE)를 기반으로 합니다. 우리는 우리의 방법이 기존 방법보다 훨씬 견고하며, 이전에 개인별 치료 효과에 초점을 맞춘 벤치마크에서 최신 기술(state-of-the-art)과 일치함을 보여줍니다.