Causal inference with small labeled samples

点击翻译按钮获取中文摘要

当該年度では主に(1)隠れ交絡変数を含む因果モデルに対する因果効果推定手法の開発, (2)グラフ構造データに対する因果効果推定手法の開発を行った.(1)では前年度に引き続き, 隠れ交絡変数を含む因果効果推定について取り組んだ. 交絡変数は正しい因果効果推定のために必要な変数だが, 倫理的な問題やプライバシーの観点から入手が困難な場合があり, 実際の観察データには含まれていない場合がある. このような状況における交絡変数を隠れ交絡変数と呼ぶ. 隠れ交絡変数を含む因果効果推定を考える際, 近年では深層学習手法の一つであるVariational AutoEncoder (VAE)を用いたアプローチが考えられるが, VAEには理論的な欠点があることが明らかになった. 本研究ではその欠点が因果効果推定においても望ましくない結果をもたらすことを示し, その欠点を補う手法の開発を行なった. 本研究の結果はThe 14th Asian Conference on Machine Learning (ACML2022)のspecial issueとして, 機械学習に関する重要な国際論文誌の一つであるMachine Learning Journalに採録された.(2)では任意のグラフ構造を含む個体に対する効率的な因果効果推定手法の開発を行った. 介入対象の個体が複雑な関係性を持つグラフである場合でも, 効率的に観察バイアス除去し正しい因果効果を推定することができる.