基于因果表示引导的高维反事实推断：DiffusionCounterfactuals
机器学习
2024-07-31 v1 统计方法学
摘要
准确估计高维数据中的反事实结果对于决策和理解各种领域（包括医疗、经济和社会科学）中的因果关系和干预结果至关重要。然而，现有方法往往在面对复杂的因果关系时难以生成准确且一致的反事实。我们提出了一种新框架，将因果机制和扩散模型整合以生成以因果表示为导向的高质量反事实样本。我们的 method 引入了一种新颖且在理论上有依据的训练和抽样过程，使模型能够在多个干预步骤下持续生成准确的高维反事实数据。在 various synthetic 和 real benchmarks 上的实验结果表明，所提出的方法在生成准确且高质量的反事实样本方面优于 state-of-the-art 方法，using different evaluation metrics。
引用
@article{arxiv.2407.20553,
title = {DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations},
author = {Jiageng Zhu and Hanchen Xie and Jiazhi Li and Wael Abd-Almageed},
journal= {arXiv preprint arXiv:2407.20553},
year = {2024}
}