개인별 치료 효과의 신뢰성 있는 추정: 인과 정보 병목 현상 활용

관찰 데이터에서 개별 수준의 치료 효과(ITE)를 추정하는 것은 인과 관계 기계 학습 분야에서 도전적이고 중요한 영역이며, 다양한 임무 수행에 필수적인 응용 프로그램에서 고려됩니다. 본 논문에서는 ITE 추정을 위한 더욱 신뢰할 수 있는 표현을 찾기 위해 정보 이론적 접근 방식을 제안합니다. 우리는 표현의 간결성과 예측력 사이의 균형을 다루는 정보 병목 현상(IB 원칙)을 활용합니다. 확장된 그래픽 모델을 도입하여 인과 관계 정보 병목 현상을 적용함으로써 학습된 표현과 치료 유형 사이의 독립성을 강화합니다. 또한, 반지도 학습 프레임워크에서 ITE를 이해하는 관점에서 추가적인 정규화 형태를 소개하여 더욱 신뢰할 수 있는 표현을 보장합니다. 실험 결과, 우리의 모델은 최신 연구 성과를 달성하였으며, 실제 데이터셋에서 불확실성 정보와 함께 더욱 신뢰할 수 있는 예측 성능을 보였습니다.