因果预测：自回归模型的泛化界
机器学习
2022-09-09 v2 机器学习
摘要
尽管预测方法的重要性日益增加，这些算法的因果含义在很大程度上仍未被探索。考虑到即使在因果充分性等简化假设下，模型的统计风险也可能与其因果风险显著不同，这令人担忧。在此，我们研究预测中的因果泛化问题——从观测分布泛化到干预分布。我们的目标是回答以下问题：自回归（VAR）模型在预测统计关联上的效能，与其在干预下预测的能力相比如何？为此，我们引入预测的因果学习理论框架。利用该框架，我们刻画了统计风险与因果风险之间的差异，有助于识别二者分歧的来源。在因果充分性下，因果泛化问题等价于协变量偏移下的学习，尽管具有额外结构（限制于 VAR 模型下的干预分布）。该结构使我们能为 VAR 模型类获得因果可泛化性的均匀收敛界。据我们所知，这是首个为时间序列设定中的因果泛化提供理论保证的工作。
引用
@article{arxiv.2111.09831,
title = {Causal Forecasting:Generalization Bounds for Autoregressive Models},
author = {Leena Chennuru Vankadara and Philipp Michael Faller and Michaela Hardt and Lenon Minorics and Debarghya Ghoshdastidar and Dominik Janzing},
journal= {arXiv preprint arXiv:2111.09831},
year = {2022}
}