特征匹配干预：利用观测数据进行因果表征学习
机器学习
2025-03-06 v1 机器学习
统计方法学
摘要
从观测数据进行因果发现的主要挑战在于缺乏完美干预，使得难以区分因果特征与虚假特征。我们提出了一种创新方法——特征匹配干预（Feature Matching Intervention, FMI），它利用匹配过程来模拟完美干预。我们定义了因果潜变量图，将结构因果模型扩展至潜变量特征空间，提供了一个将 FMI 与因果图学习相联系的框架。我们的特征匹配过程在这些因果潜变量图中模拟完美干预。理论结果表明 FMI 具有较强的分布外（OOD）泛化能力。实验进一步突显了 FMI 仅从观测数据中有效识别因果特征的优越性能。
引用
@article{arxiv.2503.03634,
title = {Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning},
author = {Haoze Li and Jun Xie},
journal= {arXiv preprint arXiv:2503.03634},
year = {2025}
}