因果一致归一化流

当 Normalizing Flows (NFs) 等生成模型捕获的底层因果图与 Structural Causal Models (SCMs) 等因果模型中指定的因果图不一致时，就会出现因果不一致性。这种不一致性会导致包括不公平问题在内的不良问题。先前实现因果一致性的工作不可避免地通过禁止隐藏层来损害其模型的表达能力。在这项工作中，我们引入了一种新方法：Causally Consistent Normalizing Flow (CCNF)。据我们所知，CCNF 是第一个能够用多层网络逼近任意分布的因果一致生成模型。CCNF 依赖于两个新构造：SCMs 的序列表示和部分因果变换。这些构造使 CCNF 能够在不牺牲表达能力的情况下固有地保持因果一致性。CCNF 可以处理所有形式的因果推理任务，包括干预和反事实。通过实验，我们表明 CCNF 在因果推理方面优于现有方法。我们还通过将 CCNF 应用于真实世界数据集，实证验证了其实用性，并展示了 CCNF 如何有效解决不公平等挑战。