NeurIPS 2022｜ 用非结构化代理指标进行因果效应估计的深度多模态结构方程

 

简介：估算干预措施的效果，同时考虑混杂变量是因果推断中的一项关键任务。很多时候，混杂因素是无法观察到的，但我们可以获得大量的非结构化数据（图像、文本），这些数据含有关于缺失的混杂因素的宝贵代理信号。本文表明，利用现有算法经常忽略的非结构化数据，可以提高因果效应估计的准确性。具体来说，我们引入了深度多模态结构方程，这是一个生成模型，其中混杂物是潜在变量，非结构化数据是代理变量。这个模型支持多种多模态的代理变量（图像、文本）以及缺失数据。我们在基因组学和医疗卫生领域的任务中实证证明，我们的方法可以利用非结构化的输入修正混杂因素，有可能使以前没有用于因果推断的大量数据得到使用。