可微分不变因果发现
机器学习
2022-09-30 v4 数据结构与算法
统计方法学
摘要
从观测数据学习因果结构是机器学习中的基本挑战。然而，大多数常用的可微分因果发现方法不可辨识，将这一问题变为易受数据偏差影响的连续优化任务。在许多现实情形中，数据收集自不同环境，其中函数关系在各环境间保持一致，而加性噪声的分布可能变化。本文提出可微分不变因果发现（DICD），利用基于可微分框架的多环境信息以避免学习伪边与错误因果方向。具体而言，DICD 旨在发现环境不变因果性，同时去除环境相关相关性。我们进一步公式化约束，强制目标结构方程模型在各环境中保持最优。在温和条件与足够多环境下，给出了所提 DICD 可辨识性的理论保证。在合成与真实世界数据集上的大量实验验证了 DICD 在 SHD 上优于最先进因果发现方法达 36%。我们的代码将开源。
引用
@article{arxiv.2205.15638,
title = {Differentiable Invariant Causal Discovery},
author = {Yu Wang and An Zhang and Xiang Wang and Yancheng Yuan and Xiangnan He and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2205.15638},
year = {2022}
}
备注
22 pages, 11 figures