技術要約：連続的な介入に対する因果効果の共形予測（Conformal Prediction）

1. 問題設定

本論文は、因果機械学習における不確実性定量化（Uncertainty Quantification: UQ）、特に**連続的な介入（continuous treatments）**に対する切実なニーズに取り組んでいる。因果機械学習は、個別化医療（例：化学療法の投与量）のような安全性が極めて重要な領域で広く利用されているが、既存の手法は通常、点推定値のみを提供し、予測の不確実性を無視している。

著者らは、連続的な因果効果に**共形予測（Conformal Prediction: CP）**を適用する際の3つの具体的な課題を特定している：

1. 分布シフト（課題 a）: 介入によって共変量の分布（具体的には傾向スコア）が変化する。これは、標準的なCPに内在する交換可能性（exchangeability）の仮定を損なうものであり、観測分布と介入分布の間で標準的な区間は無効となる。
2. 未知の傾向スコア（課題 b）: 観測データでは、傾向スコアは未知であり、推定する必要がある。この推定は、標準的なCP手法では考慮されない追加の不確実性を導入し、カバー率の低下を招く可能性がある。
3. 連続値におけるデータの希薄性（課題 c）: 二値の介入とは異なり、特定の連続的な介入値はデータ中に観察されることが稀であるため、離散的なCP手法を直接適用することは不可能である。

目的は、ハード・インターベンション（$a^*$）またはソフト・インターベンション（$A^*(X_{n+1})$）の下で、傾向スコアが未知であり推定されている場合でも、潜在的結果 $Y_{n+1}(\diamond)$ に対する有限標本で有効な予測区間 $C(X_{n+1}, \diamond)$ を導出することである。

2. 手法

提案手法は、介入によって誘発される分布シフトと、傾向スコア推定による不確実性を扱うために、**分割共形予測（Split Conformal Prediction）**を拡張したものである。

コアフレームワーク

本手法は、通常、非適合度スコア（non-conformity score）として残差 $S_i = |Y_i - \phi(X_i, A_i)|$ を利用する（ここで $\phi$ は任意の機械学習モデルである）。目標は、$P(Y_{n+1}(\diamond) \in C) \geq 1 - \alpha$ となるような区間を構築することである。

著者らは、傾向スコア $\pi(a|x)$ の利用可能性に基づいて、2つのシナリオを区別している。

シナリオ 1: 既知の傾向スコア

観測ポリシーが既知の場合（例：ランダム化比較試験や既知のポリシー設定）、シフトは $\pi(a|x)$ から $\pi(a+\Delta A|x)$ への変化としてモデル化される。

• アプローチ: 著者らは、この問題を**拡張分位点回帰（augmented quantile regression）**として再定式化する。傾向シフトを表す関数クラス $\mathcal{F}$ を定義する。
• 最適化: 偏った分布下での非適合度スコアの $(1-\alpha)$ 分位点を求めるために、双対最適化問題（定理 4.2）を導出する。これは、強双対性の性質を利用することで、あらゆる可能な補完スコアを解くという非現実的なプロセスを回避するものである。
• 結果: 定理 4.2 は、既知の傾向シフト下での潜在的結果に対する有限標本でのカバー率保証を提供する。

シナリオ 2: 未知の傾向スコア

ポリシーが未知の場合、手法は、傾向がディラックのデルタ関数となるハード・インターベンション（$a^*$）を扱い、スコア $\pi$ は推定値 $\hat{\pi}$ でなければならない。

• 仮定: 推定誤差は、比率 $c_a = \hat{\pi}/\pi$ がある定数 $M$ に対して $[1/M, 1/M]$ の範囲に収まるように限定されている。
• 平滑化: デルタ関数の不連続性を扱うため、分散 $\sigma^2 \to 0$ のガウスカーネルを用いて近似を行う。
• 最適化: 問題は、平滑化パラメータ $\sigma$ と誤差境界 $c_a$ を含む非凸最適化問題（式 18）として定式化される。
• 理論的保証: 著者らは、この問題が**タイプIインベックス（Type-I invex）**であり、線形独立制約適格条件（LICQ）を満たすことを証明している（補題 4.4）。これにより、グローバルな最適性を導出するためにカルッシュ・クーン・タッカー（KKT）条件を使用することが可能になる。
• 結果: 定理 4.5 は、不確実性の境界と平滑化パラメータを最適化することにより、未知の傾向スコアに対する有限標本でのカバー率保証を確立する。

3. 主な貢献

1. 連続的な介入に対する新しい手法: 既存の手法が二値または離散的な介入に限定されていたギャップを埋める、連続的な介入に対する潜在的結果の共形予測を初めて提案した。
2. 未知の傾向スコア下での有限標本保証: 漸近的な仮定を必要とせず、傾向スコアの推定によって導入される不確実性を考慮した、有効な予測区間の導出。
3. アルゴリズムの実装: 双対定式化とKKT条件を用いてこれらの区間を計算する効率的なアルゴリズム（Alg. 1）を提供し、補完されたスコアに対する総当たり探索を回避する。
4. 実証的な検証: 合成データセットおよび実世界のデータセットを用いた有効性の実証。

4. 実験結果

著者らは、モンテカルロ（MC）ドロップアウト、ディープ・アンサンブル、およびガウス過程（GP）回帰を含むベースラインと比較して、提案手法を評価した。

• 合成データセット:

  • 忠実性（Faithfulness）: 提案されたCP区間は、様々なソフトおよびハードの介入において、目標となる有意水準（$1-\alpha$）と一致する経験的なカバー率を達成した。
  • ベースライン: MCドロップアウトとディープ・アンサンブルは、著しく低いカバー率（不忠実な区間）を示し、真の結果を捉えられないことが多かった。GP回帰は、非常に小さな分布シフトに対してのみ有効なカバー率を提供したが、大きなシフトの下では狭すぎる区間のために失敗した。
  • 安定性: 提案手法は、MCドロップアウトで見られる高い分散と比較して、経験的なカバー率において低い変動性を示した。

• 実世界データセット (MIMIC-III):

  • タスク: 機械換気の継続時間の変化に伴う血圧の予測。
  • 観察: CP区間は、訓練データが希薄な介入領域（長い換気時間）において、より高い不確実性を正しく反映していた。対照的に、MCドロップアウトの区間はより狭く、これらの重要な領域においてカバー率の低下（under-coverage）を示唆していた。

5. 重要性と主張

本論文は、傾向スコアが未知であり、データから推定する必要がある連続的な介入に対して、共形予測を提案した最初の試みであると主張している。

• 安全性が重要なアプリケーションへの適用性: 本手法は有限標本での妥当性の保証を提供するため、漸近的な保証（小標本では失敗する可能性がある）では不十分な、個別化医療のような安全性が極めて重要な用途に適している。
• モデル非依存性: このアプローチは、結果予測のためのあらゆる機械学習モデル $\phi$ と共に機能する。
• 分布シフトへの堅牢性: 標準的なCPとは異なり、本手法は介入によって引き起こされる分布シフトを明示的に考慮しており、テスト分布が訓練分布と異なる場合でも妥当性を確保する。
• 実用的な有用性: 著者らは、傾向推定が不十分であったりデータが希薄であったりする場合、手法が保守的（潜在的に広い区間）になる可能性があると述べているが、この保守性は信頼性を担保し、他の不確実性定量化手法で見られる危険なカバー率の低下を防ぐものである。

本研究は、因果機械学習における重要なギャップを埋め、実験的および観測的な設定の両方において、連続的な介入変数に対する不確実性を伴う信頼できる意思決定を可能にするものである。