[論文レビュー] Learning Individual Causal Effects from Networked Observational Data

Ruocheng Guo, Jundong Li+1 more|arXiv (Cornell University)|Jun 8, 2019

Advanced Causal Inference Techniques参考文献 37被引用数 6

ひとこと要約

本論文は、観測データにおける隠れ交絡要因を特定・除去するためのネットワーク構造を活用する、新たな因果推論フレームワーク「ネットワーク・デコンフォンダー」を提案する。この手法により、個々の処置効果の推定がより正確に行えるようになる。グラフ畳み込みネットワーク（GCN）を用いてネットワークトポロジーから交絡要因の表現を学習することで、実世界のデータセットにおいて、最先端のベースラインと比較して因果効果推定の性能が顕著に向上する。

ABSTRACT

Convenient access to observational data enables us to learn causal effects without randomized experiments. This research direction draws increasing attention in research areas such as economics, healthcare, and education. For example, we can study how a medicine (the treatment) causally affects the health condition (the outcome) of a patient using existing electronic health records. To validate causal effects learned from observational data, we have to control confounding bias -- the influence of variables which causally influence both the treatment and the outcome. Existing work along this line overwhelmingly relies on the unconfoundedness assumption that there do not exist unobserved confounders. However, this assumption is untestable and can even be untenable. In fact, an important fact ignored by the majority of previous work is that observational data can come with network information that can be utilized to infer hidden confounders. For example, in an observational study of the individual-level treatment effect of a medicine, instead of randomized experiments, the medicine is often assigned to each individual based on a series of factors. Some of the factors (e.g., socioeconomic status) can be challenging to measure and therefore become hidden confounders. Fortunately, the socioeconomic status of an individual can be reflected by whom she is connected in social networks. With this fact in mind, we aim to exploit the network information to recognize patterns of hidden confounders which would further allow us to learn valid individual causal effects from observational data. In this work, we propose a novel causal inference framework, the network deconfounder, which learns representations to unravel patterns of hidden confounders from the network information. Empirically, we perform extensive experiments to validate the effectiveness of the network deconfounder on various datasets.

研究の動機と目的

• 既存の因果推論手法が前提とする検証不能な無視可能性仮定に起因する深刻な限界を是正すること。
• 現実の観測データに共通するネットワーク構造を、測定されていない交絡要因のパターンを推定する情報源として活用すること。
• スケーラブルで表現ベースのフレームワークを構築し、ネットワークトポロジーから交絡要因の埋め込みを学習することで、個々の処置効果推定を改善すること。
• 隠れ交絡要因が一般的で測定不能な現実世界の設定において、ネットワークベースの交絡要因の除去が有効であることを検証すること。
• 観測特徴を超えて、ネットワークからの構造的情報を統合することで因果推論を拡張し、より強固で正確な推定を実現すること。

提案手法

• ネットワーク・デコンフォンダーは、観測データのネットワーク構造から交絡要因の低次元表現を学習するため、グラフ畳み込みネットワーク（GCN）を用いる。
• 処置と結果の予測を同時に最適化しながら、処置群と対照群の分布の不均衡を最小化する交絡要因に情報を持つ表現を学習する。
• GCNの空間的局所性を活用して、接続されたノード間で情報を伝搬させ、社会経済的背景などの隠れ交絡要因を反映するコミュニティレベルのパターンを捉える。
• 交絡要因の除去を表現学習問題として定式化し、モデルが学習した交絡要因空間において処置群と対照群の分布をバランスさせるように訓練する。
• 本手法は離散的および連続的処置をサポートし、結果の事後分布を用いて不確実性の定量化を提供する。
• 個々の処置効果（ITE）推定のための下流モデルと統合され、ネットワーク化された観測データから因果効果をエンドツーエンドで学習可能となる。

実験結果

リサーチクエスチョン

• RQ1 観測データに含まれるネットワーク構造は、標準的な特徴では測定できない隠れ交絡要因を推定・除去するために活用可能か？
• RQ2 ネットワークトポロジーを統合することで、観測特徴に依存する手法と比較して、個々の処置効果推定の精度がどの程度向上するか？
• RQ3 グラフニューラルネットワークは、未測定の交絡要因によるバイアスを効果的に低減する交絡要因の表現をどの程度学習できるか？
• RQ4 多様な実世界データセットにおいて、ネットワーク・デコンフォンダーは最先端の手法を上回って個々の処置効果を推定できるか？
• RQ5 本フレームワークは動的または変化するネットワーク構造に一般化可能か？また、時間的依存性を組み込むことで交絡要因推定がどの程度向上するか？

主な発見

• ネットワーク・デコンフォンダーは、医療やソーシャルネットワークデータを含む複数の実世界データセットにおいて、最先端の手法を顕著に上回って個々の処置効果を推定する。
• ネットワーク構造を介して隠れ交絡要因のパターンを効果的に捉えることで、ITE推定における平均二乗誤差（MSE）が低減される。
• 実証的結果から、ネットワークから学習したGCNベースの交絡要因表現が、処置群と対照群の不均衡を低減し、より正確な因果推定を実現することが示された。
• 本フレームワークは未測定の交絡要因に対して頑健であり、従来の手法が検証不能な無視可能性仮定に起因して失敗する状況でも有効である。
• アブレーションスタディの結果、ネットワーク情報が交絡要因表現学習に有意に寄与しており、ネットワーク構造を除去すると性能が著しく低下することが確認された。
• 予測結果の不確実性を定量化する機能を備えており、実世界の応用における解釈可能性と信頼性を高めている。