技術的サマリー：因果的アルゴリズム的救済：基礎と手法

問題定義と動機

本論文は、自動化されたシステムによる否定的な決定（例：ローンの拒否、医療治療の拒絶）を個人が覆すための実行可能な提言を提供する「アルゴリズム的救済（algorithmic recourse）」の課題に取り組む。既存の文献は対照的説明（counterfactual explanations）を提供しているが、著者らは標準的なアプローチが、現実世界の救済に内在する不確実性を捉え損ねていると主張する。

具体的には、従来の手法は、救済 outcomes を固定された単位の正確な対照的として扱い、介入前後で潜在変数（例：能力、ストレス、睡眠）が同一であると仮定している。著者らは、現実には救済は、潜在的に異なる潜在条件下での同じ個人に対する繰り返しの決定を含むと指摘する。例えば、オフィスアワーに参加した後に試験を再受験する学生は、本質的な能力は同じであっても、ストレスレベルや睡眠レベルは異なる可能性がある。これにより、介入前後の潜在変数（$u_T$ と $u^*_T$）が関連しているが同一ではないという構造的な不確実性が生じる。

さらに、本論文は、標準的な因果的救済の定式化がしばしば共変量間の因果的依存関係を無視する「独立に操作可能な特徴量（Independently Manipulable Features: IMF）」の仮定に依存していることを強調する。著者らは、これらの依存関係（例：所得が支出に影響を与えること）を無視することが、最適でないまたは実行不可能な提言につながることを例示して示す。最後に、彼らは救済効果を推論するには通常、結合対照分布について推論する必要があるが、強い仮定なしには観測データのみからは一般的に識別不可能であると指摘する。

手法とフレームワーク

著者らは、救済プロセス中の潜在変数の再サンプリングを明示的にモデル化する「構造的因果モデル（SCM）に基づく因果的フレームワーク」を提案する。

1. 救済 SCM と救済後安定性（PRS）

手法の核心は、$\langle F, P(u), R=r, P(u^*|u) \rangle$ というタプルとして定義される「救済 SCM」であり、ここで $P(u^*|u)$ は救済行動 $do(R=r)$ 後の潜在変数の分布を表す。

• 潜在分解: 単位は固定成分（$u^{(f)}$）と可変成分（$u^{(v)}$）に分解される。固定成分（例：本質的な能力）は不変のまま残るが、可変成分（例：ストレス）は再サンプリングされ得る。
• 救済後安定性（PRS）: 著者らは PRS を、救済行動の非子孫に対する潜在変数の分布が変化せず、子孫については固定部分が不変である一方、可変部分が固定部分を与えた条件付き分布から同じ条件付き分布に従って再サンプリングされる状態として定義する。
• 含意: PRS の下では、親を与えた後の救済後変数の周辺分布は、観測分布と同一となる（周辺安定性）。これにより、観測データのみからの推論が可能となる。

2. 推論戦略

本論文は、データの可用性と PRS の妥当性に基づいて 3 つの異なるアルゴリズムを開発する。

• アルゴリズム 1（観測データ + PRS）:

  • PRS が成立し、観測データのみが利用可能であると仮定する。
  • 救済前の分位点（$q_i$）と救済後の分位点（$q^*_i$）の結合をモデル化するために**フランクのコピュラ（Frank's copula）**を使用する。
  • コピュラパラメータ $\tau$（ケンダルの $\tau$）は観測データのみからは識別できないため、アルゴリズムは $\tau$ を変化させることで感度分析を行い、可能な救済 outcomes の範囲を生成する。

• アルゴリズム 2（観測データ + 救済データ + PRS）:

  • PRS が成立し、同じ個人に対する（救済前と救済後の）対データが利用可能であると仮定する。
  • 対データを用いて最尤推定によりコピュラパラメータ $\tau$ を推論する。
  • フランクのコピュラが適切なモデルかどうかを検証するために適合度検定（ブートストラップ手順とクラメール・フォン・ミーゼス統計量を使用）を含む。これは、救済データに内在する選択バイアス（当初失敗した個人にのみ利用可能）に対処する。

• アルゴリズム 3（観測データ + 救済データ + PRS なし）:

  • PRS が成立しない（周辺安定性が破綻する）場合に対処する。
  • 特定のコピュラに依存するのではなく、観測データと救済データの組み合わせから直接、非パラメトリックな分位点関数 $Q(v^*_i | v_i, pa_i, pa^*_i)$ を学習する。
  • このアプローチは、救済前の残差と救済後のノイズ間の相関を利用することで予測精度を向上させ、理論的には救済親のみに対する標準的な回帰と比較して、期待平均二乗予測誤差（EMSPE）を削減する。

主要な貢献

1. 救済の因果的定式化: 本論文は、固定された単位の仮定を超えて、潜在変数の再サンプリングを考慮するアルゴリズム的救済の定式化を導入する。推論のための重要な条件として**救済後安定性（PRS）**を定義する。
2. 理論的保証:
   • 定理 1: PRS が周辺安定性を意味し、観測データからの救済効果の識別を可能にすることを証明する。
   • 定理 2: 線形ガウス設定における「拡張された」回帰アプローチ（アルゴリズム 3）の理論的保証を提供し、救済前と救済後のノイズ項が相関している場合、標準的なアプローチと比較して予測リスクを削減することを示す。
3. アルゴリズム・スイート:
   • 観測データを用いた感度分析のためのアルゴリズム 1の開発。
   • 救済データを用いたコピュラパラメータの学習とモデル適合性のテストのためのアルゴリズム 2の開発。
   • 安定性の仮定が破綻した場合の分布フリー推論のためのアルゴリズム 3の開発。
4. 救済データ概念: 著者らは、同じ個人に対する介入前と介入後の対サンプルである救済データと、それに関連する学習問題を正式に定義し、標準的な観測データや実験データの組み合わせと区別する。

実験結果

著者らは、**HELOC（Home Equity Line of Credit）**データセットと半合成変種を用いて手法を検証する。

• 感度分析（アルゴリズム 1）: 実在の HELOC データに適用したところ、コピュラパラメータ $\tau$ を変化させることが予測される救済 outcomes の広がりにどのように影響するかを示し、救済データが存在しない場合に内在する不確実性を視覚化した。
• 適合度検定（アルゴリズム 2）: 半合成データを用いて、提案されたブートストラップ検定が、フランクのコピュラが有効な場合（一様な p 値分布）と、無効な場合（0 方向に歪んだ p 値）を正しく識別することを示した。
• コピュラフリー学習（アルゴリズム 3）: PRS が破綻したシナリオ（SeS-HELOC B）において、アルゴリズム 3 は標準的な回帰アプローチとコピュラベースのアプローチの両方を上回った。コルモゴロフ・スミルノフ統計量は、アルゴリズム 3 の予測が真の基礎分布に近づいていることを示し、周辺安定性が成立しない場合でも救済前の情報を活用する理論的利点を実証的に検証した。

意義と主張

本論文は、アルゴリズム的救済の文脈において、同じ個人に対応する観測データと実験データを組み合わせた推論問題を初めて形式化したと主張する。固定された対照的単位の仮定から離れることで、このフレームワークは、時間経過とともに個人が介入にどのように反応するかをより現実的にモデル化する。

著者らは、彼らの仕事が理論的因果推論と実践的な救済応用の間のギャップを埋めていることを強調する。標準的な因果的救済手法が完全な構造的知識や厳格な仮定（IMF など）を必要とするのに対し、彼らのフレームワークは柔軟な手法の階層を提供すると主張する。

1. 観測データのみが利用可能な場合の感度分析。
2. 救済データが利用可能な場合のパラメータ推論とモデルテスト。
3. 安定性の仮定が破綻した場合の分布フリー学習。

その意義は、救済 outcomes の変動性を理解するための厳密な因果的基盤を提供し、特定のデータ可用性と安定性条件に適応する実践的なアルゴリズムを提供することにある。