文章名称
Causal Effect Inference with Deep Latent-Variable Models
核心要点
今天介绍一篇基于生成模型的因果推断的文章，文章仍然关注binary treatment（尽管可是扩展到multiple treatment）下的CATE场景。作者采用VAE从noisy proxies里学习完整的confounder的隐向量表示。
方法细节
问题引入
通常情况下，观察数据分析的因果推断模型都假设尽可能的控制所有的confounder，但在真实世界里，其实更多的拿到的是confounder的某种具有噪声或包含其他不确定性影响因素的代理变量（noisy proxies）。我们需要利用这些代理变量学习出confounder的某种表示，并在此基础上，准确的估计causal effect。具体的因果图如下图所示，我们期望观测到所以confounder ，但实际只观测到noisy proxies
。
causal graph with noisy proxies
我们期望能估计CATE，就需要估计各个treatment下的potential outcome。如下图所示，
identification proof
具体做法
作者通过构建VAE来从中恢复
的联合分布。
（具体怎么做... 明天再说...）
代码实现
（留坑待填...）
心得体会
deep generative model
因为missing counterfactual的问题，causal inference 可以被看做是missing data的问题。而生成相似样本正是生成模型的强项。同时，生成模型能够有效的学习隐变量表示，更好的做disentangle。比如，VAE，AAE等模型。个人认为，生成模型可以扩展出更多有趣的方法。
