Introduction to Causal Inference 강의 정리(12)

Kim YeonJu·2022년 8월 10일
0

causal inference

목록 보기
10/11

https://www.bradyneal.com/causal-inference-course
Introduction to Causal Inference라는 강의를 듣고 정리했습니다.

12. Transfer Learning and Transportability

12-1. Causal Insights for Transfer Learning

  • Transfer learning : 더 학습
  • domain generalization : 더 학습하지 않고 test만, Transfer learning의 일종

Covariante shift

Unstructured Vector로 부터 Y prediction

  • Causal Structure 사용
  • In-distribution Prediction of Y–Markov Blanket
    • in-distribution prediction of Y from out-of-sample data for X
    • Y-Markov Blanket
  • prediction of Y from X sampled from Ptest(x,y)P_{test}(x, y)

Modularity

  • modularity : intervention한 variable의 causal mechanism만 바뀐다. 다른 causal mechanism은 안 바뀐다.
  • conditionals가 invariant 해야 transfer가 가능

  • structural equation과 conditional equation으로 표현 가능

  • causal conditionals
    • x2, x13, x12 intervention해도 causal mechanism은 변하지 않는다.
  • noncausal conditionals
    • conditionals은 variant하다
    • intervention에 따라 달라진다.
  • modularity는 Y의 causal parent variable만 사용해야함.
    • transfer을 하기 위해 conditionals가 invariant 해야함.

Causal Mechanism is Optimal in Robust Sense

  • robust loss를 최소화 하는 causal mechanism
  • common support가 필요 : supptrain(pa(Y))=supptest(pa(Y))supp_{train}(pa(Y))=supp_{test}(pa(Y))
  • extrapolate 잘 하기 : supptrain(pa(Y))supp_{train}(pa(Y))supptest(pa(Y))supp_{test}(pa(Y))

Relaxation of covariate shift

  • covariate shift assumption는 조건이 너무 strict해서 modularity assumption을 사용함

12-2. Transportability of Causal Effects Across Populations

Transportability Problem

Selection Diagrams

  • 두 distribution에 different causal mechanism을 허용한다.
  • S → X의 causal mechanism
    • X에 대하여 Π\PiΠ\Pi^*가 다를 수 있다.
  • S의 부재는 invariance를 encode함

Direct Transportability (External Validity)



Trivial Transportability

  • trivial과 direct trasportability 사용하여 identify → s-admissibility

S-Admissibility and Transport Formula

  • 가 없으면 backdoor adjustment, 가 있으면 transportability adjustment

0개의 댓글