通过深度孪生网络估计类别反事实
机器学习
2023-01-23 v6 人工智能
摘要
反事实推断是一种强有力的工具，能够解决高关注度领域中的挑战性问题。要执行反事实推断，需要了解潜在的因果机制。然而，因果机制无法仅从观测与干预中唯一确定。这引出了一个问题：如何选取因果机制，使得所得反事实推断在给定领域中可信。该问题已在含二元变量的因果模型中得到解决，但类别变量的情况仍悬而未决。我们通过为含类别变量的因果模型引入反事实序这一概念来应对这一挑战，该原则假定因果机制应具备合意性质，并证明其与因果机制上的特定函数约束等价。为学习满足这些约束的因果机制并据此执行反事实推断，我们引入深度孪生网络。这些深度神经网络在训练后能够进行孪生网络反事实推断——一种对溯因、行动与预测方法的替代。我们在来自医学、流行病学与金融的多样真实世界与半合成数据上实证检验了我们的方法，报告了准确的反事实概率估计，同时展示了当不施加反事实序时反事实推理出现的问题。
引用
@article{arxiv.2109.01904,
title = {Estimating Categorical Counterfactuals via Deep Twin Networks},
author = {Athanasios Vlontzos and Bernhard Kainz and Ciaran M. Gilligan-Lee},
journal= {arXiv preprint arXiv:2109.01904},
year = {2023}
}