Architectures d'auto-encodeurs variationnels qui excellent dans l'inférence causale

Résumé :

L'estimation des effets causaux à partir de données d'observation (au niveau d'un individu ou d'une population) est essentielle pour prendre de nombreux types de décisions. Une approche pour aborder cette tâche consiste à apprendre des représentations décomposées des facteurs sous-jacents des données ; cela devient beaucoup plus difficile lorsqu'il y a des facteurs de confusion (qui influencent à la fois la cause et l'effet). Dans cet article, nous adoptons une approche générative qui s'appuie sur les progrès récents des encodeurs automatiques variationnels pour apprendre simultanément ces facteurs sous-jacents ainsi que les effets causaux. Nous proposons une séquence progressive de modèles, où chacun améliore le précédent, pour aboutir au modèle hybride. Nos résultats empiriques démontrent que les performances des trois modèles proposés sont supérieures à celles des approches discriminantes de pointe et des autres approches génératives de la littérature.