潜在的アウトカムと反実仮想のフローに基づく生成モデリング

要旨: 観測データから潜在結果および反実仮想（counterfactual）結果を予測することは、個別化された意思決定の中心であり、特に臨床の場面では、治療の選択が集団の平均だけに導かれるのではなく、各患者に合わせて調整されなければなりません。私たちは、潜在結果の分布と、事実（factual）に条件づけた反実仮想結果を同時にモデル化する因果推論のための連続正規化フロー（CNF）フレームワークであるPO-Flowを提案します。フロー・マッチングによって学習されるPO-Flowは、個別化された潜在結果予測、条件付き平均処置効果（conditional average treatment effect）の推定、反実仮想予測を統一的に扱うアプローチを提供します。観測された事実の結果をエンコードし、別の治療のもとでデコードすることで、PO-Flowは事実に条件づけられた反実仮想予測のためのエンコード・デコード機構を提供します。さらに、PO-Flowは潜在結果の尤度に基づく評価をサポートしており、不確実性を考慮した予測の評価を可能にします。一定の仮定のもとで回復保証（recovery guarantee）が確立され、またベンチマークデータセットに関する実証結果により、潜在結果の枠組みにおける幅広い因果推論タスクで高い性能が示されています。