학습된 표현으로 반사실 추론 구현

본 논문은 관찰 연구에서 인과 관계를 추정하는 핵심 문제인 반사실 추론을 다루며, 기존의 직접 모델링 접근법이 사실(factual) 데이터와 반사실(counterfactual) 데이터 간 분포 차이로 인해 일반화 오류가 크게 발생한다는 점을 지적한다. 이를 해결하기 위해 저자들은 반사실 추론을 ‘공변량 이동(covariate shift)’ 문제로 재정의하고, 도메인 적응에서 사용되는 불균형(discrepancy) 거리 개념을 도입한다. 문제 설정은 이진 치료(t∈{0,1})를 가정하고, 각 컨텍스트 x에 대해 잠재적 결과 Y₀(x), Y₁(x) 를 정의한다. 관찰된 데이터는 (xᵢ, tᵢ, yᵢ^F) 형태이며, 여기서 yᵢ^F = tᵢ·Y₁(xᵢ)+(1−tᵢ)·Y₀(xᵢ)이다. 반사실 예측을 위해서는 동일한 x에 대해 반대 치료 1−tᵢ에 대한 결과를 추정해야 하는데, 이는 사실 데이터와 반사실 데이터가 서로 다른 치료 할당 메커니즘 P(t|x) 에 의해 생성되므로 분포가 다를 수 있다. 저자들은 입력 x를 저차원 표현 Φ(x) 로 매핑하고, 이를 기반으로 h(