基于条件前门调整与可辨识变分自编码器的因果推断
机器学习
2023-10-04 v1
摘要
因果推断中一个本质且具有挑战性的问题是从观测数据估计因果效应。当存在未观测混杂变量时，该问题变得更加困难。前门调整是处理未观测混杂变量的一种实用方法。然而，标准前门调整的限制在实践中难以满足。在本文中，我们通过提出条件前门（CFD）调整的概念放宽了部分限制，并发展了保证 CFD 调整因果效应可辨识性的定理。此外，由于实践中往往无法给定 CFD 变量，期望从数据中学习它。通过利用深度生成模型的能力，我们提出 CFDiVAE，以可辨识变分自编码器直接从数据学习 CFD 调整变量的表示，并形式化证明了模型可辨识性。在合成数据集上的大量实验验证了 CFDiVAE 的有效性及其相对于现有方法的优越性。实验还表明，CFDiVAE 的性能对未观测混杂变量的因果强度较不敏感。我们进一步将 CFDiVAE 应用于真实世界数据集以展示其潜在应用。
引用
@article{arxiv.2310.01937,
title = {Causal Inference with Conditional Front-Door Adjustment and Identifiable Variational Autoencoder},
author = {Ziqi Xu and Debo Cheng and Jiuyong Li and Jixue Liu and Lin Liu and Kui Yu},
journal= {arXiv preprint arXiv:2310.01937},
year = {2023}
}