测度论反因果表示学习
机器学习
2025-10-22 v1 人工智能
统计方法学
摘要
反因果设置(标签导致特征而非相反)下的因果表示学习提出了需要专门方法应对的独特挑战。我们提出反因果不变抽象(ACIA),一种新颖的基于测度论的反因果表示学习框架。ACIA采用两级设计,低级表示捕捉标签如何生成观测,而高级表示则学习跨环境特定变化的稳定因果模式。ACIA通过干预核处理完美和不完美干预,消除了对显式因果结构的依赖,有效处理高维数据,并为分布外泛化提供了理论保证,从而解决了现有方法的关键局限性。在合成和真实世界医学数据集上的实验表明,ACIA在准确性和不变性指标上均持续优于最先进的方法。此外,我们的理论结果建立了训练环境与未见环境之间性能差距的紧界,证实了我们的方法对于鲁棒反因果学习的有效性。
引用
@article{arxiv.2510.18052,
title = {Measure-Theoretic Anti-Causal Representation Learning},
author = {Arman Behnam and Binghui Wang},
journal= {arXiv preprint arXiv:2510.18052},
year = {2025}
}