神经因果部分识别的一致性
机器学习
2025-06-17 v3 人工智能
机器学习
摘要
近期在神经因果模型 (NCM) 方面的进展表明，通过训练能够遵循给定因果图约束的神经生成模型，可自动完成因果效应的识别与部分识别 [Xia et al. 2022, Balazadeh et al. 2022]。然而，这些方法的形式一致性仅针对离散变量或仅针对线性因果模型。本文在包含连续变量和分类变量的通用设置下，证明了通过NCM进行部分识别的一致性。进一步，我们的结果揭示了神经网络架构设计（包括深度和连通性）以及在训练阶段应用Lipschitz 正则化的重要性。特别是，我们提供了一个反例表明，在不采用Lipschitz 正则化情况下，这种方法可能不存在渐近一致性。我们的结果基于对结构因果模型 (SCM) 通过神经生成模型可近似性的新结果，以及对所得架构样本复杂度的分析，以及这种分析如何转化为受约束优化问题中定义的部分识别界限的误差。
关键词
引用
@article{arxiv.2405.15673,
title = {Consistency of Neural Causal Partial Identification},
author = {Jiyuan Tan and Jose Blanchet and Vasilis Syrgkanis},
journal= {arXiv preprint arXiv:2405.15673},
year = {2025}
}
备注
60 pages, 8 figures, accepted by Neurips 2024