干预式因果表示学习
机器学习
2024-02-26 v4 机器学习
摘要
因果表示学习旨在从低级感知数据中提取高级潜在因子。大多数现有方法依赖观测数据和结构假设（例如条件独立）来识别潜在因子。然而，干预数据在各类应用中十分普遍。干预数据能否促进因果表示学习？我们在本文中探讨这一问题。关键观察是干预数据常携带潜在因子支撑集（即每个潜在因子可能取的值）的几何特征。例如，当潜在因子间存在因果连接时，干预可打破被干预潜在因子的支撑集与其祖先之间的依赖关系。利用这一事实，我们证明给定来自完美干预的数据，潜在因果因子可识别至置换和缩放。此外，若我们能获得来自不完美干预的数据，可实现块仿射识别，即估计的潜在因子仅与少数其他潜在因子纠缠。这些结果凸显了干预数据在因果表示学习中的独特作用：它们能够在不对潜在因子的分布或依赖结构作任何假设的情况下实现可证明的识别。
引用
@article{arxiv.2209.11924,
title = {Interventional Causal Representation Learning},
author = {Kartik Ahuja and Divyat Mahajan and Yixin Wang and Yoshua Bengio},
journal= {arXiv preprint arXiv:2209.11924},
year = {2024}
}