学习广义Gumbel-max因果机制
机器学习
2021-11-16 v1 统计计算
机器学习
摘要
要在结构因果模型（SCMs）中进行反事实推理，需要了解因果机制，其将条件分布分解为噪声源和将噪声实现映射到样本的确定性函数。遗憾的是，因果机制无法由通过观察和与世界交互可收集的数据唯一确定，因此仍存在如何选择因果机制的问题。在近期工作中，Oberst与Sontag（2019）提出Gumbel-max SCMs，其使用Gumbel-max重参数化作为因果机制，源于一种直观上吸引人的反事实稳定性性质。在本工作中，我们转而主张选择在特定量化准则下最优的因果机制，例如估计反事实处理效应时最小化方差。我们提出一个参数化的因果机制族，其推广了Gumbel-max。我们展示它们可被训练以最小化反事实效应方差及在感兴趣查询分布上的其他损失，相较固定替代方案产生更低的反事实处理效应方差估计，且能泛化至训练时未见的查询。
引用
@article{arxiv.2111.06888,
title = {Learning Generalized Gumbel-max Causal Mechanisms},
author = {Guy Lorberbom and Daniel D. Johnson and Chris J. Maddison and Daniel Tarlow and Tamir Hazan},
journal= {arXiv preprint arXiv:2111.06888},
year = {2021}
}
备注
Accepted to NeurIPS 2021 (Spotlight)