[論文レビュー] Causal Inference for Observational Time-Series with Encoder-Decoder Networks

Jason Poulos|arXiv (Cornell University)|Dec 10, 2017

Explainable Artificial Intelligence (XAI)参考文献 34被引用数 4

ひとこと要約

本論文は、事前処理共変量に依存せずに、観察的時系列データにおける離散的介入の因果効果を推定するための新規なエンコーダ・デコーダ RNN 法を提案する。制御単位の結果の複雑で非凸的な組み合わせを学習することで、正確な反実仮想時系列を生成し、ラジオ広告と選挙競争に関する現実世界の実験で有効性を示した。

ABSTRACT

This paper proposes a method for estimating the causal effect of a discrete intervention in observational time-series data using encoder-decoder recurrent neural networks (RNNs). Encoder-decoder networks, which are special class of RNNs suitable for handling variable-length sequential data, are used to predict a counterfactual time-series of treated unit outcomes. The proposed method does not rely on pretreatment covariates and encoder-decoder networks are capable of learning nonconvex combinations of control unit outcomes to construct a counterfactual. To demonstrate the proposed method, I extend a field experiment studying the effect of radio advertisements on electoral competition to observational time-series.

研究の動機と目的

• 無作為化実験が利用できない観察的時系列における因果効果推定の課題に対処すること。
• 事前処理共変量を必要とせず、反実仮想結果を構築する手法を開発すること。
• エンコーダ・デコーダ RNN の表現力を利用して、制御単位の軌道の複雑で非凸的な組み合わせをモデル化すること。
• 政治広告の影響など、実験データが限られる状況での正確な因果効果推定を可能にすること。

提案手法

• 時系列データの逐次的依存関係をモデル化するためにエンコーダ・デコーダ RNN アーキテクチャを用いる。
• エンコーダを用いて、歴史的な制御単位の軌道を固定長のコンテキストベクトルに要約する。
• デコーダを用いて、コンテキストベクトルに基づき、被処置単位の反実仮想時系列を生成する。
• 実際の被処置単位の結果と予測された反実仮想値の間の予測誤差を最小化するように、モデルをエンドツーエンドで訓練する。
• 事前処理共変量を必要とせず、制御単位の結果にのみ依存して反実仮想を構築する。
• RNN が非線形的で非凸的な制御軌道の組み合わせを学習できることで、反実仮想推定の精度が向上する。

実験結果

リサーチクエスチョン

• RQ1 エンコーダ・デコーダ RNN は、事前処理共変量を必要とせず、観察的時系列における反実仮想結果を効果的に推定できるか？
• RQ2 このモデルは、制御単位間の複雑で非線形的な依存関係をどれほど正確に捉え、被処置単位の潜在的結果を再構築できるか？
• RQ3 本手法は、現実世界の政治広告の文脈における因果効果推定でどれほど高い性能を示すか？
• RQ4 反実仮想の正確性と因果効果推定の観点から、ベースライン手法と比較して本手法はどのように差を示すか？

主な発見

• 提案手法は、制御単位の結果の非凸的組み合わせを学習することで、正確な反実仮想時系列を生成した。
• 線形組み合わせに依存するベースライン手法と比較して、反実仮想予測の精度が向上した。
• 事前処理共変量が欠如する状況でも、因果効果推定に高い頑健性を示した。
• ラジオ広告のフィールド実験からの実証的結果は、本手法が選挙競争への因果的影響を効果的に捉えられることを示した。
• エンコーダ・デコーダアーキテクチャは、単純なモデルよりも多様な時系列パターンにわたる一般化性に優れた。
• 実験データが限られる観察的時系列における因果推論の代替手段として、本手法は実用的である。