인과 분포 학습을 위한 확장된 Wasserstein-GAN 접근 방식: 밀도 기반 추정 및 Minimax 최적성

분포적 인과 추론(Distributional causal inference)은 평균 치료 효과뿐만 아니라 분위수(quantiles), 꼬리 위험(tail risks), 정책 의존적 불확실성을 포함하는 개입 결과 분포(interventional outcome distributions)를 추정해야 합니다. 분포적 인과 추론 방법으로서, 생성적 적대 신경망(GAN)-기반 반사실적 방법(counterfactual methods)은 이 작업에 유연한 도구입니다. 하지만 이러한 방법들은 몇 가지 한계를 가지고 있습니다. 첫째, 특정 기법들의 목적 함수가 식별 가능한 인과 목표의 통계적 위험(statistical risk)과 일치하지 않아, 추정 가능한 반사실 분포나 최적성에 대한 이론적 보장이 제한적입니다. 둘째, 밀도 비율 추정(density ratio estimation)과 같은 불안정한 밀도 기반 방법(density-based methods)에 의존하는 경향이 있습니다. 본 논문에서는 다음과 같은 여러 장점을 가진 GANICE (GAN for Interventional Conditional Estimation)를 제안합니다: 첫째, 각 치료-공변량 상태에 대한 조건부 개입 분포(conditional interventional distribution)를 인과 추정 목표로 명확히 합니다; 둘째, 평균 Wasserstein 위험이 최소화되는 방식으로 조건부 분포를 추정합니다; 셋째, Minimax 최적성을 확립합니다. GANICE는 확장된 Wasserstein 거리(extended Wasserstein distance)의 도입, 그 쌍대(dual)에 셀 단위 비평가자(cellwise critic)의 통합, 그리고 Besov 공간 이론(Besov space theory)에 기반한 최적성 증명을 통해 이러한 장점들을 달성합니다. 우리의 실험은 GANICE가 기존 방법들보다 일관되게 우수한 성능을 보임을 입증합니다.