用于学习条件分布与干预分布的因果对抗网络
机器学习
2020-09-23 v2 机器学习
摘要
我们提出一种生成式因果对抗网络（CAN），用于从条件分布与干预分布中学习和采样。与现有需要给定因果图的 CausalGAN 不同，我们提出的框架从数据中学习因果关系并相应地生成样本。所提出的 CAN 包含双重过程，即标签生成网络（LGN）与条件图像生成网络（CIGN）。LGN 是一种基于 GAN 的架构，学习并从标签上的因果模型中采样。采样得到的标签随后被输入 CIGN——一种条件 GAN 架构，其学习标签之间、标签与像素之间以及像素自身之间的关系，并基于它们生成样本。该框架配备了一种干预机制，使模型能够从干预分布中生成样本。我们从定量与定性上评估了 CAN 的性能，并通过实验表明，在 CelebA 数据的人脸生成应用中，我们的模型能够在无需因果图的情况下生成干预样本与条件样本。
引用
@article{arxiv.2008.11376,
title = {Causal Adversarial Network for Learning Conditional and Interventional Distributions},
author = {Raha Moraffah and Bahman Moraffah and Mansooreh Karami and Adrienne Raglin and Huan Liu},
journal= {arXiv preprint arXiv:2008.11376},
year = {2020}
}