习得结构因果模型的反事实（不可）可辨识性
机器学习
2023-01-24 v1 机器学习
摘要
概率生成建模的最新进展推动了使用深度条件生成模型（亦称深度结构因果模型，DSCM）从观测数据集中学习结构因果模型（SCM）。若成功，DSCM可用于因果估计任务，例如回答反事实查询。在本工作中，我们提醒从业者注意：即便不存在未观测混杂且假定因果结构已知，从观测数据进行反事实推断仍存在不可辨识性。我们证明了具有单维外生变量的单调生成机制的反事实可辨识性。对于具有多维外生变量的一般生成机制，我们给出了反事实可辨识性的不可能性结果，从而说明了引入参数化假设的必要性。作为一种实用方法，我们提出了一种估计习得DSCM反事实预测的最坏情况误差的方法。该误差的大小可作为在特定问题设定中判断DSCM是否为可行反事实推断方法的关键指标。在评估中，我们的方法证实了先前工作中一个可辨识SCM的反事实误差可忽略，并为不可辨识的合成SCM提供了信息丰富的反事实误差界。
引用
@article{arxiv.2301.09031,
title = {Counterfactual (Non-)identifiability of Learned Structural Causal Models},
author = {Arash Nasr-Esfahany and Emre Kiciman},
journal= {arXiv preprint arXiv:2301.09031},
year = {2023}
}