In causal graphs, inferring exogenous variables is required to identify the counterfactual effect from observations. Given that the exogenous variable is often latent in Bayesian network, the modelers have to assume the structure of exogenous variables in a causal graph, and its corresponding variational autoencoder. A frequent assumption is defining a single latent variable to absorb the entire exogenous uncertainty, but we claim that such structure cannot avoid the dilemma of 1) the biased sampling in the decoder learning and 2) the information loss to regularize the decoders of interventions. Our model resolves this dilemma by disentangling the exogenous uncertainty into two latent variables of 1) independent to interventions and 2) correlated to interventions without causality. Particularly, our disentangling approach will preserve the latent variable correlated to interventions in generating counterfactual cases. We show that our method estimates total effect and counterfactual effect without a complete causal graph. Our first application is generating counterfactual fair data for a fairness task. Our second application is generating the counterfactual image, which do not naturally occur in the dataset.
인과 그래프에서 관측 데이터로부터 반사실적 효과를 추론하기 위해서는 외생변수 추론이 선행되어야 한다. 인과 그래프가 주어지지 않은 상황에서는 인과 그래프를 가정하고, 가정된 그래프 바탕으로 외생변수를 잠재변수에 대응시켜 베이지안 네트워크로 구성할 수 있다. 기존 연구는 외생변수의 불확실성을 하나의 잠재 변수로 구성하고 있으나, 이는 1) 디코더의 편향된 학습을 야기하거나 2) 디코더의 정규화로 인한 정보 손실을 일으킨다. 이를 해결하기 위해 본 연구에서는 1) 개입변수에 독립이고 2) 개입변수와 상관관계는 있으나 영향 받지 않는 잠재변수를 구분한다. 이를 통해, 개입변수와 연관되어 있으나 영향받지 않는 특성을 보존하여 완전한 인과 그래프가 주어지지 않은 상황에서 처치효과 및 반사실적 효과를 예측할 수 있음을 확인하였다. 또한, 본 연구에서 제시한 모델을 기반으로 반사실적으로 공정한 데이터의 생성 및 데이터셋에서 관측되지 않는 가상의 데이터를 인과 관계에 입각하여 생성할 수 있음을 보였다.
