DMIR实验室

   本次报告李久永教授以“Using VAE for Causal Inference in Observational Data”为题，探讨了存在未观测混淆变量的情况下 ，VAE模型在因果效应估计中的应用。首先，李久永教授介绍了在三种不同情形下VAE的应用：针对未观测混淆变量存在代理的情况，CEVAE和TEDVAE利用代理变量，基于VAE框架恢复未观测的混淆变量，从而进行因果效应估计；针对存在工具变量（IV）或条件工具变量（CIV）的情况，CIVVAE利用VAE框架从具有未观测混淆变量的数据中学习 CIV 及其条件集的表征，以估计平均因果效应；针对存在前门路径的情况，CFDiVAE提出条件前门调整（CFD），从而放宽传统前门路径调整中的部分假设，利用iVAE框架从数据中学习CFD调整变量的表征，并证明了模型的可识别性。

    随后，李久永教授介绍了因果效应估计在现实场景中的应用。在生物医学方面，可以推断microRNA在癌症转移中的因果效应，以及microRNA–mRNA的因果调控关系，进而根据匹配的miRNA和mRNA表达数据推断特定条件下的miRNA活性；在医疗方面，可以推断放射治疗对病人是否有益；在社会方面，可以为残疾求职者提供技能提升方面的建议，从而最大程度提高他们在就业市场的竞争力等。

    报告结束后，李久永教授与在场师生进行了深入的交流互动，令大家对因果推断领域有了更进一步的认识，收获颇多。