조건부 반사실 평균 임베딩 이중 강건 추정과 학습률

초록

본 논문은 반사실 결과의 조건부 분포를 재현 커널 힐베르트 공간(RKHS)으로 임베딩하는 Conditional Counterfactual Mean Embeddings(CCME) 프레임워크를 제안한다. 두 단계 메타‑추정기를 이용해 propensity score와 조건부 평균 임베딩을 먼저 추정하고, 이를 이용해 RKHS‑값 의사결과를 만든 뒤 두 번째 단계에서 회귀한다. Ridge, Deep Feature, Neural‑Kernel 등 세 가지 실용적 구현을 제시하고, 각각에 대해 이중 강건성(double robustness)과 차원에 따른 수렴률을 이론적으로 입증한다. 실험을 통해 다중모드 구조를 포함한 복잡한 조건부 반사실 분포를 정확히 복원함을 보인다.

상세 분석

이 연구는 인과 추론에서 평균 효과를 넘어 전체 조건부 반사실 분포를 파악하고자 하는 요구에 부응한다. 기존의 Counterfactual Mean Embedding(CME)는 전체(마진) 분포만을 다루었으나, 저자는 이를 V=η(X)라는 하위공변량에 조건화한 CCME로 확장한다. 핵심 아이디어는 RKHS‑값 의사결과 ξ(Z)=A/π(X)(φ(Y)−μ₀(X))+μ₀(X) 를 정의하고, 이 ξ를 V에 대해 회귀함으로써 μ_{Y₁|V}(v)=E