본 논문은 고차원 결과 변수(예: 유전자 발현, 얼굴 이미지)와 상대적으로 제한된 공변량을 가진 상황에서 개인의 반사실적 결과를 추정하는 문제를 다룹니다. 기존의 인과 추론 및 지도 학습 접근 방식은 이러한 문제에 어려움을 겪습니다. 본 논문에서는 반사실적 생성 모델링에서 변분 추론을 사용하는 기존 연구들이 조건부 변분 오토인코더(CVAE) 구조 내에서 신경망 적응 및 모델 변형에 초점을 맞춰왔다는 점을 지적하며, 이러한 접근 방식이 인과 추론에서 반사실적 개념에 근본적으로 적합하지 않다고 주장합니다. 따라서 본 논문은 반사실적 생성 모델링 작업을 적절히 처리하기 위한 새로운 변분 베이지안 인과 추론 프레임워크와 그 이론적 배경을 제시합니다. 제안된 프레임워크는 반사실적 샘플 없이도 훈련 중에 반사실적 감독을 수행할 수 있으며, 반사실적 생성에서 인과 효과의 정확한 식별을 돕는 얽히지 않은 외생적 노이즈 추론을 장려합니다. 실험을 통해 여러 벤치마크에서 최첨단 모델에 비해 제안된 프레임워크의 우수성을 보여줍니다.
