Kolmogorov-Arnold因果生成模型
机器学习
2026-03-23 v1 机器学习
摘要
因果生成模型提供了一种原则性框架，用于从观察数据中回答观察性、干预性和反事实性查询。然而，许多深层因果模型依赖于高度表达的架构，机制不透明，限制了在高风险领域的可审计性。我们提出了KaCGM（Kolmogorov-Arnold因果生成模型），用于混合类型的表格数据，其中每个结构方程都由Kolmogorov-Arnold网络（KAN）参数化。这种分解使我们能够直接检查所学习的因果机制，包括符号近似和父母-子节点关系的可视化，同时保持查询无关的生成语义。我们引入了一个基于分布匹配和所推断外生变量独立性诊断的验证管道，允许仅使用观察数据进行评估。在合成和半合成基准上的实验表明，该方法在与最先进方法之间具有竞争力。一个真实世界的心血管案例研究进一步展示了从简化结构方程和可解释因果效应中提取的能力。这些结果表明，能够实现高度表达的因果生成建模与功能透明度之间的协同，支持在表格决策场景中可靠的部署。代码：https://github.com/aalmodovares/kacgm
引用
@article{arxiv.2603.20184,
title = {Kolmogorov-Arnold causal generative models},
author = {Alejandro Almodóvar and Mar Elizo and Patricia A. Apellániz and Santiago Zazo and Juan Parras},
journal= {arXiv preprint arXiv:2603.20184},
year = {2026}
}
备注
14 pages, 8 figures, 3 tables, 5 algorithms, preprint