技術的概要：効率的な適合性反事実推論のための合成反事実ラベル（SP-CCI）

1. 問題定義と動機

本論文は、治療の偏りが存在する状況において、個々の反事実結果に対する信頼性の高い予測区間を構築するという課題に取り組む。因果推論において、共変量 $X$ と観測された治療 $T$ を持つ単位については、1 つの潜在結果 $Y(T)$ のみが観測され、反事実結果 $Y(1-T)$ は観測されない。

既存の手法、特に適合性反事実推論（Conformal Counterfactual Inference: CCI）（Lei and Candès, 2021）は、これらの反事実予測に対してマージナルなカバレッジ保証を提供する。しかし、CCI は関心のある特定の治療群からの較正データに依存している。多くの実世界のシナリオ（高価な治療が稀な医学試験や、露出が希薄なオンライン広告など）では、対象となる治療群のデータセット（$D_1$）は対照群（$D_0$）に比べて著しく小さい。この不足は、過度に保守的で幅広な予測区間をもたらし、ハイリスクな意思決定における適合性推論の実用性を制限する。

事前学習済みモデルによって生成された合成データは不足している較正セットを補完できる可能性があるが、これらの合成ラベルを標準的な適合性手続きに直接組み込むと、合成結果が真実の偏った近似であるため、統計的な妥当性が損なわれる。

2. 手法：SP-CCI フレームワーク

著者は、**合成データ駆動型適合性反事実推論（Synthetic data-powered Conformal Counterfactual Inference: SP-CCI）**を提案する。これは、較正セットを合成反事実ラベルで拡張しつつ、バイアス除去推定手続きを通じてマージナルなカバレッジ保証を維持するフレームワークである。

中核コンポーネント

1. 合成データ生成:

   • 本手法は、事前学習された反事実生成モデル $\hat{P}_{Y(1)|X}$（ニューラルネットワークまたは大規模言語モデルとなり得る）を用いて、より大規模な対照データセット $D_0$ に属する単位に対して合成反事実ラベル $\hat{Y}(1)$ を生成する。
   • これにより、拡張された合成データセット $\tilde{D}_1 = \{(X_i, \hat{Y}_i(1))\}_{i=1}^{n_0}$ が作成される。

2. バイアス除去された未カバレッジ推定（PPI の統合）:

   • 合成ラベルによって導入されたバイアスを修正するため、SP-CCI は予測駆動推論（Prediction-Powered Inference: PPI）（Angelopoulos et al., 2023a）を適応させる。
   • 較正セット $D_1$（実治療データ）は、合成推定値を「修正」するために用いられる。具体的には、$n_0$ 個の合成サンプルが $n_1$ 個のグループに分割され、それぞれが実治療サンプル $(X_i, Y_i) \in D_1$ に割り当てられる。
   • 合成データ上の損失と実データ上の損失の重み付き差を用いて、未カバレッジ確率 $\hat{L}_\eta$ の不偏推定量が構築される：
     $$\hat{\ell}_{i,\eta} = \frac{1}{r} \sum_{j} \tilde{w}_j \ell_\eta(\tilde{X}_j, \tilde{Y}_j) - w_i [\ell_\eta(X_i, \hat{Y}_i) - \ell_\eta(X_i, Y_i)]$$
     ここで、$w_i$ と $\tilde{w}_i$ は傾向スコアと治療確率を考慮した重要度重みである。

3. リスク制御予測セット（RCPS）:

   • 本手法は、区間拡大パラメータ $\eta$ を選択するためにリスク制御予測セット（Risk-Controlling Prediction Sets: RCPS）（Bates et al., 2021）を採用する。
   • 無条件カバレッジを保証する代わりに、SP-CCI は較正データの引き出しに対して、高い確率（$1-\delta$）で未カバレッジリスクが制御されることを保証する。
   • 拡大パラメータ $\hat{\eta}$ は、推定された未カバレッジ確率の上側信頼区間が目標レベル $\alpha$ を超えないように選択される。

4. 重みの誤指定への対応:

   • このフレームワークには、重要度重みが既知ではなく推定される場合の理論的保証が含まれている。推定された重みの誤差範囲を考慮して拡大パラメータを調整することで、カバレッジ保証を維持できることを示している。

3. 主要な貢献

• 手法: SP-CCI の導入。バイアス除去された未カバレッジ推定量を介して実データと合成較正データを統合し、豊富な対照データを活用して希少な治療群の推論を改善することを可能にする。
• 理論的保証: 正確および近似の重要度重みの両方において、SP-CCI が高確率マージナルカバレッジ（パラメータ $\delta$ によって制御）を達成することを形式的に証明する。論文はこれを、標準的な CCI の無条件マージナルカバレッジと区別し、調整可能な「停止（outage）」制御メカニズムを提供する。
• 効率性: SP-CCI が、高品質な合成ジェネレーターが利用可能な場合、標準的な CCI および GESPI フレームワーク（Bashari et al., 2025）と比較して、著しく狭い予測区間をもたらすことを理論的および実証的に示す。

4. 実験結果

著者は、合成データ（Lei and Candès, 2021 に準拠）および半合成のIHDP データセット（Hill, 2011）上で SP-CCI を評価し、標準的な CCI および GESPI と比較した。

• 合成データ: SP-CCI は、必要なカバレッジ保証を維持しつつ、CCI および GESPI よりも一貫して狭い予測区間を生成した。区間の幅は、反事実生成モデルの品質（低/中/高品質）が向上するにつれて減少した。
• IHDP データセット:
  • SP-CCI は、高品質な合成ラベルを用いて平均予測区間幅（APIW）を3.52とし、標準的な CCI の20.24と比較して大幅に改善した。
  • 緩和されたガードレールを用いた GESPI はより狭い区間を生成できたが、厳格化するとカバレッジ違反率（CVR）が 42% に達し、ハイリスクなシナリオには不適切であった。一方、SP-CCI はすべてのバリアントにおいて低い CVR（2–6%）を維持した。
  • この手法は、特定のデータセット外でトレーニングされたモデルであるにもかかわらず、事前学習されたLLaMA-2-13Bモデルを生成ソースとして効果的に活用し、競争力のある性能を達成した。これは分布シフトに対する頑健性を示している。
• 追加実験:
  • 政策評価: 無線ハンドオーバーのシナリオにおいて、SP-CCI は CCI に比べて、固定された政策に対するより精密な性能定量化（狭い区間）を提供した。
  • 極端な偏り: 治療の偏りが極端なTwins データセット（治療群 63 例、対照群 11,921 例）において、CCI はカバレッジを維持するために SP-CCI よりもほぼ 20 倍広い区間を生成した。SP-CCI は、著しく狭い区間で目標に近いカバレッジを維持した。

5. 意義と主張

本論文は、SP-CCI が偏りのあるデータセットにおける適合性反事実推論を実用的にするための重要な前進であると主張する。統計的妥当性を損なうことなく合成データを効果的に活用することで、この手法は稀な治療の因果推論に内在する「次元の呪い」とデータ不足の問題に対処する。

著者は、SP-CCI がパラメータ $\delta$ を通じて区間の幅とカバレッジの信頼性の間の調整可能なトレードオフを提供することを強調しており、これは標準的な無条件 CCI には欠けている特徴である。この研究は、適切にバイアス除去された高品質な合成データが、因果推論の効率を劇的に改善し、治療データがしばしば不足するパーソナライズド医療や政策評価などの実世界分野への適用を可能にすることを示している。

論文は控えめに結論づけており、多腕治療、連続治療、および両方の潜在結果が観測されない状況への拡張は、今後の研究における未解決の問題であると述べている。