χSPN：面向混合域因果推断的特征干预和积网络

混合域（即离散变量与连续变量并存）中的因果推断是一项艰巨的挑战。我们朝此方向迈出了一步，提出了特征干预和积网络（χSPN），它能够估计混合分布随机变量下的干预分布。χSPN在干预和积网络（iSPN）的叶节点使用特征函数，通过概率测度的傅里叶-斯蒂尔切斯变换，为离散和连续变量提供了统一的视角。我们使用神经网络，基于干预数据估计所学iSPN的参数。我们在三个合成异构数据集上的实验表明，χSPN能够有效捕获离散和连续变量的干预分布，同时具有表达能力和因果充分性。我们还表明，χSPN在仅使用单一干预数据训练的情况下，能够泛化到多种干预场景。