因果 de Finetti 定理：可交换数据中不变因果结构的辨识
机器学习
2024-05-27 v3 机器学习
统计理论
统计方法学
统计理论
摘要
基于约束的因果发现方法利用条件独立性检验在广泛应用里推断因果关系。正如多数机器学习方法一样，现有工作聚焦于研究独立同分布（i.i.d.）数据。然而，已知即便拥有无限 i.i.d. 数据，基于约束的方法也只能将因果结构辨识到宽泛的马尔可夫等价类，这对因果发现构成了根本限制。本工作中，我们观察到可交换数据比 i.i.d. 数据含有更丰富的条件独立性结构，并展示了如何利用更丰富的结构进行因果发现。我们首先提出因果 de Finetti 定理，其表明具有某些非平凡条件独立性的可交换分布总可表示为独立因果机制（ICM）生成过程。随后我们给出主要可辨识性定理，表明给定来自 ICM 生成过程的数据，其唯一因果结构可通过条件独立性检验辨识。最后我们开发了因果发现算法，并展示了其在从多环境数据推断因果关系上的适用性。我们的代码与模型公开于：https://github.com/syguo96/Causal-de-Finetti
引用
@article{arxiv.2203.15756,
title = {Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data},
author = {Siyuan Guo and Viktor Tóth and Bernhard Schölkopf and Ferenc Huszár},
journal= {arXiv preprint arXiv:2203.15756},
year = {2024}
}
备注
camera-ready NeurIPS 2023