基于不变因果学习的算法在观测数据上适用性的一步推进
机器学习
2023-04-06 v1 统计方法学
摘要
机器学习可受益于用于解释的因果发现以及用于泛化的因果推断。在此研究脉络中，已有若干利用多个训练环境寻找不变关系以实现分布外（OOD）泛化的不变学习算法被提出。其中部分聚焦于因果发现，如不变因果预测（ICP）可寻找感兴趣变量的因果父节点；部分直接提供在OOD环境中泛化良好的因果最优预测器，如不变风险最小化（IRM）。这类算法依赖于代表因果推断语境中不同干预的多个环境之假设。在处理观测数据与真实世界应用时，这些环境通常并不可得。本文提出一种高效生成此类环境的方法。我们通过在模拟数据上实现ICP来评估这一无监督学习问题的性能，并展示了如何将ICP与我们的方法高效集成用于因果发现。最后，我们提出了一种结合ICP的改进版方法，适用于具有多个协变量的数据集，而此类数据集中ICP及其他因果发现方法性能通常会退化。
引用
@article{arxiv.2304.02286,
title = {A step towards the applicability of algorithms based on invariant causal learning on observational data},
author = {Borja Guerrero Santillan},
journal= {arXiv preprint arXiv:2304.02286},
year = {2023}
}