度量反事实图像模型的公理性合理性
计算机视觉与模式识别
2023-03-03 v1 机器学习
摘要
我们提出一个评估图像反事实的通用框架。深度生成模型的强大与灵活性使其成为结构因果模型中学习机制的有价值工具。然而,其灵活性使得在一般情况下反事实可识别性无法实现。受这些问题启发,我们重访 Pearl 的反事实公理化定义,以确定任何反事实推断模型的必要约束:组合性、可逆性与有效性。我们将反事实框定为输入变量、其父节点与反事实父节点的函数,并利用公理化约束限制可表示反事实的函数集合,从而推导出近似函数与理想函数之间的距离度量。我们展示了这些度量如何用于比较和选择不同近似反事实推断模型,并洞察模型的缺陷与权衡。
引用
@article{arxiv.2303.01274,
title = {Measuring axiomatic soundness of counterfactual image models},
author = {Miguel Monteiro and Fabio De Sousa Ribeiro and Nick Pawlowski and Daniel C. Castro and Ben Glocker},
journal= {arXiv preprint arXiv:2303.01274},
year = {2023}
}
备注
Counterfactual inference, Generative Models, Computer Vision, Published in ICLR 2023