用于成对因果性的深度卷积神经网络
机器学习
2017-01-04 v1
摘要
从观测数据和干预数据中发现因果模型是进行假设分析或反事实推理之前的重要第一步。如先前所示，在某些条件下，成对因果关系的方向可以通过使用精心设计的统计特征的标准梯度提升分类器（GBC）从观测数据中推断出来。在本文中，我们将深度卷积神经网络（CNNs）应用于该问题，方法是将属性对绘制为二维散点图，并将其作为图像输入到 CNN 中。我们在“因果对”NIPS 2013 数据挑战赛上评估了我们的方法。我们观察到，CNN 与早期 GBC 方法的加权集成产生了显著的改进。此外，我们观察到，当可用训练数据较少时，我们的方法优于基于 GBC 的方法，这表明预训练以确定成对因果方向的 CNN 模型在因果发现中可能具有更广泛的适用性，并能支持假设分析或反事实分析。
引用
@article{arxiv.1701.00597,
title = {Deep Convolutional Neural Networks for Pairwise Causality},
author = {Karamjit Singh and Garima Gupta and Lovekesh Vig and Gautam Shroff and Puneet Agarwal},
journal= {arXiv preprint arXiv:1701.00597},
year = {2017}
}
备注
Published at NIPS 2016 Workshop "What If" and Won the best Poster Award