ترجمه فارسی مقاله برآورد اثر علی با استفاده از رمزگذار خودکار متغیر قابل شناسایی با مخدوش کننده های پنهان و متغیرهای پس از درمان

چکیده

Estimating causal effects from observational data is challenging, especially in the presence of latent confounders. Much work has been done on addressing this challenge, but most of the existing research ignores the bias introduced by the post-treatment variables. In this paper, we propose a novel method of joint Variational AutoEncoder (VAE) and identifiable Variational AutoEncoder (iVAE) for learning the representations of latent confounders and latent post-treatment variables from their proxy variables, termed CPTiVAE, to achieve unbiased causal effect estimation from observational data. We further prove the identifiability in terms of the representation of latent post-treatment variables. Extensive experiments on synthetic and semi-synthetic datasets demonstrate that the CPTiVAE outperforms the state-of-the-art methods in the presence of latent confounders and post-treatment variables. We further apply CPTiVAE to a real-world dataset to show its potential application.

چکیده به فارسی (ترجمه ماشینی)

تخمین اثرات علّی از داده های مشاهده ای به ویژه در حضور مخدوشان نهفته ، چالش برانگیز است.کارهای زیادی در مورد پرداختن به این چالش انجام شده است ، اما بیشتر تحقیقات موجود تعصب معرفی شده توسط متغیرهای پس از درمان را نادیده می گیرد.در این مقاله ، ما یک روش جدید از اتوآنمان متغیر مشترک (VAE) و خودروآنکودر متغیر قابل شناسایی (IVAE) برای یادگیری بازنمایی های مخدوشان نهفته و متغیرهای پس از درمان نهفته ، از متغیرهای پروکسی خود ، برای دستیابی به تخمین علت و معلولی بی طرفانه پیشنهاد می کنیم.از داده های مشاهده ای.ما بیشتر شناسایی را از نظر نمایندگی متغیرهای نهفته پس از درمان اثبات می کنیم.آزمایش های گسترده در مورد مجموعه داده های مصنوعی و نیمه سنتز نشان می دهد که CPTIVAE از روشهای پیشرفته در حضور متغیرهای نهفته و متغیرهای پس از درمان بهتر عمل می کند.ما بیشتر CPTIVAE را در یک مجموعه داده در دنیای واقعی اعمال می کنیم تا کاربرد بالقوه آن را نشان دهد.