ランタイム・コンファウンディング下での反実仮想アウトカムのための共形予測における脱バイアス機械学習

要旨: データ駆動型の意思決定では、反事実（counterfactual）の結果を予測することがしばしば利用されます。実際には、研究者は一般に、反事実予測モデルをソースデータセットで学習し、別個の可能性があるターゲット集団における意思決定に役立てます。適合性予測（conformal prediction）は、対象とするターゲット集団における異なる治療決定のもとで生じ得る反事実の結果に対して、仮定に乏しい（assumption-lean）予測区間を生成するための人気の手法として登場しました。しかし既存の方法では、ソースデータで学習に用いた治療—アウトカム関係のあらゆる交絡因子（confounding factor）を、ターゲット集団でも追加的に測定する必要があります。重要な交絡因子がターゲット集団で測定されていない場合、適合率（miscoverage）の問題が生じるリスクがあります。本論文では、ターゲット集団で測定される交絡因子がその一部のみである場合に、予測区間を妥当に（valid）得ることを可能にする、計算効率の高い脱偏（debiased）機械学習の枠組みを導入します。これは「ランタイム交絡（runtime confounding）」と呼ばれる一般的な課題です。本手法は半パラメトリック効率性理論（semiparametric efficiency theory）に基づき、その結果得られる予測区間が、標準的な手法と比べてより速い収束とともに所望の被覆率（coverage rate）を達成することを示します。多数の合成および半合成の実験を通じて、提案手法の有用性を実証します。