基于曲率敏感模型的连续结果部分反事实识别
机器学习
2024-01-12 v3 机器学习
摘要
反事实推断旨在回答回顾性的“如果……会怎样”问题，因此属于Pearl因果阶梯中最细粒度的推断类型。现有针对连续结果的反事实推断方法旨在点识别，因而对底层结构因果模型做出了强硬且不自然的假设。本文中我们放宽这些假设，旨在连续结果的部分反事实识别，即当反事实查询处于具有信息性边界的无知区间内时。我们证明，一般而言，反事实查询的无知区间具有非信息性边界，即便结构因果模型的函数连续可微时亦如此。作为补救，我们提出一种称为曲率敏感模型的新颖敏感模型。这使我们能够通过约束函数水平集的曲率来获得信息性边界。我们进一步表明，现有的点反事实识别方法是我们曲率敏感模型在曲率边界设为零时的特例。随后我们以称为增广伪可逆解码器的新型深度生成模型形式提出曲率敏感模型的实现。我们的实现采用（i）残差归一化流与（ii）变分增广。我们经实证展示了增广伪可逆解码器的有效性。据我们所知，我们的工作是首个针对连续结果Markov结构因果模型的部分识别模型。
引用
@article{arxiv.2306.01424,
title = {Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model},
author = {Valentyn Melnychuk and Dennis Frauen and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2306.01424},
year = {2024}
}