实现因果表示学习以在潜空间调整混杂偏差
机器学习
2023-09-26 v9 统计方法学
摘要
因果 DAG（有向无环图）通常在二维平面中考虑。边指示因果效应的方向并隐含其对应的时间流逝。由于统计模型的自然限制，效应估计通常通过对个体相关性（即特定时间上的观测变化）取平均来近似。然而，在具有复杂 DAG 的大规模问题的机器学习背景下，此类微小偏差会滚雪球般扭曲全局模型——更重要的是，它实际阻碍了 AI 的发展，例如因果模型较弱的泛化能力。在本文中，我们将因果 DAG 重新定义为 \emph{do-DAG}，其中变量的值不再依赖于时间戳，时间线可视为轴。通过对多维 do-DAG 的几何解释，我们识别出 \emph{因果表示偏差} 及其必要因素，并将其与常见混杂偏差区分开。相应地，将提出一个基于 DL（深度学习）的框架作为通用解，并给出一种实现方法与实验以验证其可行性。
引用
@article{arxiv.2211.08573,
title = {Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space},
author = {Jia Li and Xiang Li and Xiaowei Jia and Michael Steinbach and Vipin Kumar},
journal= {arXiv preprint arXiv:2211.08573},
year = {2023}
}