用于反事实估计的扩散因果模型
机器学习
2022-02-22 v1 计算机视觉与模式识别
摘要
我们考虑在给定已知因果结构下从观测图像数据进行反事实估计的任务。特别地，利用神经网络量化高维数据干预的因果效应仍是一项开放挑战。在此我们提出 Diff-SCM，一种基于生成式能量模型最新进展的深度结构因果模型。在我们的设定中，推断通过迭代采样由因果模型蕴含的边际与条件分布的梯度来完成。反事实估计通过首先以确定性前向扩散推断潜变量，随后利用反因果预测器相对于输入的梯度在反向扩散过程中进行干预来实现。此外，我们提出一种评估生成反事实的度量。我们发现，在 MNIST 数据上 Diff-SCM 比基线生成更真实且最小化的反事实，并可应用于 ImageNet 数据。代码见 https://github.com/vios-s/Diff-SCM。
引用
@article{arxiv.2202.10166,
title = {Diffusion Causal Models for Counterfactual Estimation},
author = {Pedro Sanchez and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2202.10166},
year = {2022}
}
备注
Accepted at CLeaR (Causal Learning and Reasoning) 2022