Des architectures d'auto-encodeurs variationnels qui excellent

Résumé :

Cet article propose une approche générative pour l'inférence causale à partir de données issues d'études observationnelles. Inspirés par le travail de Kingma et al. (2014), nous proposons une séquence de trois architectures (à savoir Série, Parallèle et Hybride) qui incorporent chacune leurs modèles M1 et M2 comme blocs de construction. Chaque architecture constitue une amélioration par rapport à la précédente en termes d'estimation de l'effet causal, pour aboutir au modèle Hybride. Le modèle hybride est conçu pour encourager la décomposition des facteurs sous-jacents de tout ensemble de données d'observation, ce qui permet d'estimer avec précision tous les résultats du traitement. Nos résultats empiriques démontrent la supériorité des trois architectures proposées par rapport aux approches discriminatives de pointe et aux autres approches génératives de la littérature.