일반적 개입 하에서의 자동화된, 편향 제거 및 불변적 반사실적 생성

반사실적 결과 (Counterfactual outcomes)를 위한 생성 모델 (Generative models)은 복잡한 개입 (Interventions) 하에서의 의사결정을 지원할 수 있는 큰 잠재력을 가지고 있지만, 기존 방식들은 불안정한 추정 (Unstable estimation), 환경 간의 낮은 일반화 성능 (Poor generalization), 그리고 방해 모델 오지정 (Nuisance model misspecification)으로 인한 편향 (Bias) 문제로 인해 한계가 있습니다. 우리는 고차원 개입 (High-dimensional interventions) 및 결과를 포함한 일반적 개입 하에서 자동화되고, 편향이 제거되었으며, 불변적인 반사실적 생성을 위한 프레임워크인 ADIGen을 소개합니다. ADIGen은 불안정한 밀도비 추정 (Density-ratio estimation)을 피하기 위한 리에스 회귀 (Riesz regression), 분포 변화 (Distribution shift) 하에서의 일반화를 개선하기 위한 인과적 불변성 (Causal invariance), 그리고 방해 모델 오지정에 대해 이중 강건성 (Doubly robust) 보장을 얻기 위한 직교 통계 학습 (Orthogonal statistical learning)을 결합합니다. 우리는 ADIGen이 곱셈 편향 방해 잔차 (Product-bias nuisance remainder)와 환경 전반에 걸친 불변 리스크 경계 (Invariant risk bound)를 통해 일반적 개입 하에서 반사실적 리스크 (Counterfactual risk)를 제어함을 보여주는 초과 리스크 경계 (Excess-risk bounds)를 제공합니다.