Résumé technique : Couplage de la modélisation générative et d'un autoencodeur avec le pont causal

Énoncé du problème

L'article traite du défi de l'inférence de l'effet causal d'un traitement ($X$) sur un résultat ($Y$) en présence d'un facteur de confusion non observé ($U$) qui influence les deux. Les méthodes traditionnelles d'inférence causale reposent souvent sur des hypothèses fortes, telles que l'absence de facteurs de confusion non observés ou la disponibilité de variables instrumentales valides, lesquelles peuvent ne pas se vérifier en pratique. Bien que des approches récentes utilisent des variables de substitution (contrôles négatifs) — spécifiquement un contrôle du traitement ($Z$) et un contrôle du résultat ($W$) — pour atténuer ce biais, les méthodes existantes pour estimer la fonction de « pont causal » (qui relie les substituts à l'effet causal) font face à des limites concernant la compréhension théorique et la mise en œuvre pratique, particulièrement en ce qui concerne l'efficacité de l'apprentissage et la gestion des relations non linéaires complexes.

Méthodologie

Les auteurs proposent un cadre qui couple la fonction de pont causal à la modélisation générative et à une architecture d'autoencodeur afin d'améliorer l'estimation des effets de traitement.

1. Raffinement théorique du pont causal

L'article réexamine les hypothèses requises pour que la fonction de pont causal $b(W, x)$ satisfasse l'équation intégrale de Fredholm :
$$E(Y |x, z) = E(b(W, x)|x, z)$$
Les auteurs démontrent que la fonction de pont n'a pas besoin de correspondre à la fonction structurelle sous-jacente de manière ponctuelle, mais plutôt en espérance. Ils dérivent une nouvelle borne informationnelle sur l'erreur moyenne ($\eta$) de l'estimation de l'effet causal. Cette borne relie l'erreur à l'information mutuelle conditionnelle $I(U; Z|W, x)$, suggérant que la qualité de l'approximation du pont dépend de manière critique du fait que $W$ soit une représentation à faible bruit du facteur de confusion latent $U$.

2. Modélisation générative pour l'échantillonnage

Au lieu de s'appuyer uniquement sur l'estimation des espérances conditionnelles (comme dans les méthodes récentes de l'apprentissage causal par proxy profond), les auteurs introduisent une approche générative. Ils modélisent la distribution conditionnelle $p(W|x, z)$ à l'aide d'un modèle génératif (par exemple, un GAN conditionnel ou un modèle de diffusion) pour échantillonner des substituts de résultat $W$ donnés le traitement $X$ et le substitut de traitement $Z$. Cela permet de simuler des échantillons de la distribution du facteur de confusion latent $p(U|W, x)$ via une fonction $h(W, x, \epsilon)$, où $\epsilon$ est le bruit. La fonction de pont est ensuite formulée comme une espérance sur ces variables échantillonnées :
$$b(W, x) \approx E_{\epsilon}[g_Y(x, W, h(W, x, \epsilon))]$$

3. Architecture d'autoencodeur pour la force statistique

Pour améliorer la qualité de la représentation latente apprise $h(W, x, \epsilon)$, les auteurs proposent une architecture d'autoencodeur qui partage la force statistique entre les variables observées. Le modèle minimise conjointement une fonction de perte composite :

• Perte de résultat ($L_{\theta_Y}$) : Minimise l'erreur entre les résultats observés $Y$ et la prédiction du pont.
• Perte de contrôle du traitement ($L_{\theta_X}$) : Reconstruit le traitement $X$ à partir de la représentation latente.
• Perte de substitut ($L_{\theta_Z}$) : Reconstruit le substitut de traitement $Z$ à partir de la représentation latente.

En partageant l'encodeur $h_{\theta_U}$ à travers ces tâches, le modèle exploite l'information de $X$ et $Z$ pour mieux inférer le facteur de confusion latent $U$, conduisant à des estimations causales plus robustes, particulièrement lorsque les tailles d'échantillon sont réduites.

4. Extension aux résultats de survie

Le cadre est étendu pour traiter les données de survie (résultats de type temps avant événement avec censure). Au lieu de modéliser l'espérance du résultat $Y$, la méthode modélise la fonction de risque $\lambda(Y | W, x) = \lambda_0(t) \exp(b(W, x))$. L'effet causal est estimé via le rapport de risque (HR), optimisé à l'aide d'une fonction de perte de vraisemblance partielle similaire au modèle de risques proportionnels de Cox, sans nécessister de base de risque paramétrique.

Principales contributions

1. Borne théorique : L'article fournit une nouvelle borne sur l'erreur moyenne du pont causal, reliant l'erreur d'estimation à l'information mutuelle conditionnelle entre le facteur de confusion non observé et les substituts. Il clarifie que la fonction de pont n'a pas besoin d'être indépendante de $Z$ de manière ponctuelle, mais doit satisfaire une condition de correspondance en espérance.
2. Cadre d'apprentissage génératif : Une nouvelle formulation d'apprentissage qui utilise des modèles génératifs pour échantillonner la distribution conditionnelle des substituts, allant au-delà de l'estimation des espérances conditionnelles utilisée par les méthodes de l'état de l'art précédentes (comme le Deep Feature Proxy Variables).
3. Intégration de l'autoencodeur : L'introduction d'une architecture d'autoencodeur qui partage l'encodeur latent entre les modèles de traitement, de substitut et de résultat, améliorant l'estimation du pont causal en exploitant la force statistique partagée.
4. Extension à l'analyse de survie : La première application du cadre du pont causal aux résultats de survie, permettant l'inférence causale pour les données de temps avant événement en présence de confusion non observée.

Résultats expérimentaux

L'approche proposée a été validée sur des ensembles de données synthétiques et réels :

• Données synthétiques (Demand et dSprite) : Sur les données synthétiques où les effets causaux réels sont connus, la méthode proposée (CB + AE) a nettement surpassé la méthode de l'état de l'art Deep Feature Proxy Variable (DFPV). Les résultats ont montré que l'échantillonnage de $p(W|x, z)$ et l'utilisation de l'autoencodeur partagé ont réduit l'erreur quadratique moyenne (MSE) des estimations de l'effet causal.
• Données réelles (Étude Framingham Heart Study) : La méthode a été appliquée pour estimer l'effet causal de l'utilisation de statines sur les événements de maladies cardiovasculaires (CVD).
  • Les méthodes observationnelles standards (CoxPH avec divers schémas de pondération) ont produit des estimations biaisées (Hazard Ratio > 1), probablement dues à une confusion résiduelle (les patients à haut risque étant plus susceptibles de recevoir le traitement).
  • Les méthodes de Pont Causal proposées (CB et CB + AE) ont produit des rapports de risque (Hazard Ratios) < 1, cohérents avec la direction de l'effet trouvée dans un essai contrôlé randomisé (ECR) distinct utilisé comme référence.
  • La variante CB + AE a fourni des intervalles de confiance plus serrés et un meilleur alignement avec les résultats de l'ECR par rapport à la variante CB seule, démontant le bénéfice du composant autoencodeur.

Signification et affirmations

Les auteurs affirment que leur travail fait progresser la compréhension théorique du pont causal en relaxant les hypothèses d'indépendance strictes et en fournissant une borne d'erreur concrète. Pratiquement, l'intégration de modèles génératifs et d'autoencodeurs offre un mécanisme plus flexible et robuste pour l'inférence causale avec des variables de substitution, particulièrement dans des scénarios de données limitées ou de confusion non linéaire complexe. L'extension à l'analyse de survie élargit l'applicabilité de l'inférence causale proximale à des domaines biomédicaux critiques. Les auteurs notent que bien que leur approche affiche des performances supérieures par rapport aux méthodes existantes basées sur les substituts, la vérification des hypothèses sous-jacentes reste un défi, et la partition des covariables en substituts ($W$ et $Z$) nécessite une considération prudente dans les applications pratiques.