弱いオーバーラップ下での因果効果推定に向けたデコンファウンド・スコアと表現学習

arXiv stat.ML / 2026/4/2

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、いわゆる弱いオーバーラップ（positivity）の下での因果効果推定を扱う。そこでは、治療群ごとに特徴量の分布が大きく異なるため、多くの推定量が高分散となり、壊れやすくなる。
提案するのは「デコンファウンド・スコア（deconfounding scores）」であり、同定（identification）を保ちながら推定目的そのものも最適化することを狙う表現（representation）フレームワークである。これは古典的な傾向スコア（propensity score）や予後スコア（prognostic score）を一般化する。
著者らは、デコンファウンド・スコアの構造に結び付いた制約のもとで、オーバーラップの発散（overlap divergence）を最小化することで、より良い特徴量表現を見つける問題として定式化する。
ガウス分布の特徴量を仮定する一般化線形モデルの広いファミリーに対して、本論文は閉形式のデコンファウンド・スコア解を導出し、そのモデルクラス内では予後スコアがオーバーラップに関して最適（overlap-optimal）であることを示す。
提案手法の理論的なオーバーラップ挙動と実務上の性能を評価するための、大規模な実験結果が報告されている。