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

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

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿では、観測データにおける隠れ交絡要因を同定および除去するためにネットワーク構造を活用する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。ネットワーク情報から表現を学習することで、検証不能な交和性仮定を必要とせずに、個々の処置効果のより正確な推定を可能にする。

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

• 観測データからの因果推論における交和性仮定の制限を解消すること。これは検証不能であり、実際の状況ではしばしば妥当でない。
• 社会的関係などネットワーク情報を利用して、処置割り当てと結果に影響を与える未観測の交絡要因のパターンを推定すること。
• 隠れ交絡要因が存在する状況でも、個々の処置効果の妥当な推定を可能にするフレームワークを開発すること。
• ネットワーク構造を持つ観測データを用いた多様なデータセットにおいて、提案手法の有効性を実証的に検証すること。

提案手法

• ネットワーク・デコンフォンダーは、ネットワーク構造から潜在表現を学習し、直接観測できない隠れ交絡要因のパターンをモデル化する。
• 個々の人物のネットワーク上の位置が類似している場合、それらが類似した未測定要因に影響を受ける可能性が高いという仮定に基づき、ネットワークトポロジーを用いて未観測の交絡要因を推定する。
• ネットワーク上での表現学習技術を適用し、接続された個々の人物間で共有される交絡要因の影響を捉える埋め込み表現を生成する。
• これらの学習済み表現を因果推論モデルに統合し、個々の処置効果推定における隠れ交絡要因の影響を補正する。
• 実世界の観測データに適応可能で、スケーラブルに設計されており、所得水準などの未測定要因が処置割り当てに影響を与える状況にも適用可能である。
• 交絡要因の明示的測定を必要とせず、代わりに関係性構造に基づいてその存在と影響を推定する。

実験結果

リサーチクエスチョン

• RQ1 観測研究において、処置割り当てと結果に影響を与える隠れ交絡要因を、ネットワーク情報から推定できるか？
• RQ2 ネットワーク構造から学習された表現は、個々の処置効果推定の正確性をどの程度向上できるか？
• RQ3 隠れ交絡要因が存在する状況で、標準的な因果推論手法（交和性を仮定）と比較して、ネットワーク・デコンフォンダーはどのように性能を発揮するか？
• RQ4 どのような種類の実世界のデータセットで、ネットワーク・デコンフォンダーは頑健な性能を示すか？

主な発見

• ネットワーク・デコンフォンダーは、ネットワーク構造を用いて隠れ交絡要因を同定・補正することで、個々の処置効果推定におけるバイアスを著しく低減した。
• 複数のデータセットにおける実証的評価から、隠れ交絡要因が存在する状況で、交和性を仮定する標準的手法を上回る性能を示した。
• 所得水準などの交絡要因が測定不能であっても、それが社会的ネットワークの接続に反映されている場合でも、フレームワークは推定の正確性を向上させた。
• 学習されたネットワーク表現は、潜在的な交絡パターンを効果的に捉えており、観測研究環境におけるより信頼性の高い因果推論を可能にした。