[論文レビュー] Causal Representation Learning with Optimal Compression under Complex Treatments

Wanting Liang, Haoang Chi+1 more|arXiv (Cornell University)|Mar 12, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この論文は、マルチ治療因果表現学習のための境界指向の境界最適化バランス手法を提案し、3つのバランシング戦略（Pairwise、One-vs-All、Treatment Aggregation）と最適圧縮レベルを選択する双レベル法を導入し、Wasserstein幾何学的対はずの拡張を行う。

ABSTRACT

Estimating Individual Treatment Effects (ITE) in multi-treatment scenarios faces two critical challenges: the Hyperparameter Selection Dilemma for balancing weights and the Curse of Dimensionality in computational scalability. This paper derives a novel multi-treatment generalization bound and proposes a theoretical estimator for the optimal balancing weight $α$, eliminating expensive heuristic tuning. We investigate three balancing strategies: Pairwise, One-vs-All (OVA), and Treatment Aggregation. While OVA achieves superior precision in low-dimensional settings, our proposed Treatment Aggregation ensures both accuracy and O(1) scalability as the treatment space expands. Furthermore, we extend our framework to a generative architecture, Multi-Treatment CausalEGM, which preserves the Wasserstein geodesic structure of the treatment manifold. Experiments on semi-synthetic and image datasets demonstrate that our approach significantly outperforms traditional models in estimation accuracy and efficiency, particularly in large-scale intervention scenarios.

研究の動機と目的

• マルチ治療因果表現学習におけるバイアスと情報量のトレードオフを動機付け、これに対処する。
• 最適なアルファの一般化境界を通じてヘリスティックなバランス重みの調整を排除し、一貫した推定量を得る。
• スケーラブルな計算特性を持つ3つのバランシング戦略を提案し、治療数が増えるにつれての安定性を分析する。
• Wasserstein幾何学的構造を保持する生成アーキテクチャへ拡張し、 counterfactual補間を可能にする。

提案手法

• 事実リスクと表現の不均衡を結ぶ多治療一般化境界を導出する。
• 表現学習を制約付き最適化（またはペナルティ付き）問題として定式化し、バランス重みalphaを導入する。
• 3つのバランシング戦略を導入する：Pairwise（O(K^2) 複雑度）、One-vs-All（O(K) 複雑度）、HSICによるTreatment Aggregation（Kに対してO(1)）。
• アルファを選択する経験的、境界駆動の双レベル手順を定義する（BOAB: Bound-Optimized Adaptive Balancing）。
• counterfactual補間のためにWasserstein幾何学的構造を保つMulti-Treatment CausalEGMアーキテクチャへ拡張する。
• アルファ推定量の有限サンプル精度と漸近正規性、及びKに対する安定性スケーリングに関する理論結果を提供する。

実験結果

リサーチクエスチョン

• RQ1 マルチ治療因果学習においてヒューリスティックな調整なしに表現不変性と情報保持の最適なバランスをどう取るか？
• RQ2 異なるバランシング戦略（Pair、OVA、Aggregation）は治療数Kの増加とともにどのようにスケールし、ITE推定のバイアスと分散にどう影響するか？
• RQ3 境界ベースのアルファ推定量に有限サンプルと漸近的保証を提供し、Kを超えてその安定性を定量化できるか？
• RQ4 Wasserstein幾何学的一貫性のあるフレームワークは治療間で意味のある counterfactual補間を可能にするか？
• RQ5 大規模介入設定における推定精度と効率の実証的利得は何か？

主な発見

• 多治療一般化境界はITE誤差が事実リスクと表現の不均衡項、及び複雑さの項の和で境界付くことを示す。
• 最適なアルファは境界ベースの目的関数を最小化する双レベル手順で推定可能で、ヒューリスティックな調整を回避する。
• Treatment AggregationはKに関してO(1)のバランシング複雑度を達成し、次元の呪いを緩和する。
• One-vs-Allバランシングは中程度のKで最良の性能を示し、AggregationはKが大きくなるにつれて安定かつスケーラブルである（実験でK=20まで示す）。
• semi-syntheticおよび画像様データセットで、基準法よりPEHEが改善され、Aggregationは大規模Kでも性能を維持する（大規模実験などで示す）。