[논문 리뷰] Learning Individual Treatment Effects from Networked Observational Data.

Ruocheng Guo, Jundong Li외 1명|arXiv (Cornell University)|2019. 06. 08.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 관찰 데이터에서 숨겨진 교란요인을 식별하고 교란을 제거하기 위해 네트워크 구조를 활용하는 인과적 추론 프레임워크인 네트워크 디컨포던더를 제안한다. 네트워크 정보로부터 표현을 학습함으로써, 검증할 수 없는 교란없음 가정이 필요 없이도 개인별 치료 효과를 더 정확하게 추정할 수 있도록 한다.

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.

연구 동기 및 목표

• 관찰 데이터에서의 인과적 추론에 있어 검증할 수 없고 종종 실제에서는 타당하지 않은 교란없음 가정의 한계를 해결하기 위해.
• 사회적 연결성과 같은 네트워크 정보를 활용해 치료 배정과 결과에 영향을 주는 관측되지 않은 교란요인의 패턴을 추론하기 위해.
• 숨겨진 교란요인이 존재하더라도 개인 수준의 치료 효과를 타당하게 추정할 수 있는 프레임워크를 개발하기 위해.
• 네트워크 구조가 있는 관찰 데이터를 포함한 다양한 데이터셋에서 제안된 방법의 효과를 실증적으로 검증하기 위해.

제안 방법

• 네트워크 구조에서 잠재 표현을 학습하여 직접 관측되지 않는 숨겨진 교란요인 패턴을 모델링한다.
• 개개인이 유사한 네트워크 위치를 가진다면 유사한 측정되지 않은 요인에 영향을 받을 가능성이 높다는 가정을 통해 네트워크 구조를 활용해 관측되지 않은 교란요인을 추론한다.
• 연결된 개인들 사이에서 공통된 교란 영향을 반영하는 표현을 생성하기 위해 네트워크에 표현 학습 기법을 적용한다.
• 학습된 표현을 인과적 추론 모델에 통합하여 개인 치료 효과 추정에서 숨겨진 교란요인을 보정한다.
• 실제 관찰 데이터에 적용 가능하고 확장성이 뛰어나며, 사회경제적 지위와 같은 측정되지 않은 요인이 치료 배정에 영향을 줄 수 있는 상황에 적합하도록 설계되었다.
• 교란요인의 명시적 측정이 필요 없으며, 대신 관계 구조를 기반으로 그 존재와 영향을 추론한다.

실험 결과

연구 질문

• RQ1 관찰 연구에서 치료 배정과 결과에 영향을 주는 숨겨진 교란요인을 네트워크 정보로 추론할 수 있는가?
• RQ2 네트워크 구조에서 유도된 표현이 개인 치료 효과 추정의 정확도를 어느 정도 향상시킬 수 있는가?
• RQ3 숨겨진 교란요인이 존재할 경우, 표준 인과적 추론 방법과 비교해 네트워크 디컨포던더는 어떻게 성능을 발휘하는가?
• RQ4 어떤 유형의 실생활 데이터셋에서 네트워크 디컨포던더는 강력한 성능을 보여주는가?

주요 결과

• 네트워크 구조를 통해 숨겨진 교란요인을 식별하고 보정함으로써 개인 치료 효과 추정의 편향을 성공적으로 감소시켰다.
• 다양한 데이터셋에 대한 실증 평가 결과, 숨겨진 교란요인이 존재할 경우 교란없음 가정을 전제로 하는 기존 방법보다 제안된 방법이 뛰어난 성능을 보였다.
• 사회경제적 지위와 같은 교란요인이 측정되지 않았지만 사회 네트워크 연결성에 반영되어 있는 경우에도 프레임워크가 추정 정확도를 향상시켰다.
• 학습된 네트워크 표현은 잠재적 교란 패턴을 효과적으로 포착하여 관찰 환경에서 더 신뢰할 수 있는 인과적 추론을 가능하게 했다.