以交换性视角重新思考双变量因果发现

因果发现方法传统上基于两种建模假设：独立同分布（i.i.d.）数据和时间序列数据。本文聚焦于i.i.d.情境，主张其应以交换性（exchangeability）作为更为宽泛的对称原则进行重新构建。为此目标，我们提出一种可交换的层次模型，基于最新的Causal de Finetti定理。通过该模型，我们表明，在更广泛的交换性假设下，对于因果机制不确定性和潜在变量分布不确定性的捕捉更为精确。事实上，我们认为在实际数据中，这种情况更为常见，这一观点得到对Tübingen数据集深入分析的支持。利用这一洞见，我们引入一种新型合成数据集，模拟所提出可交换层次模型引发的生成过程。我们表明，所提出的可交换合成数据集在统计和因果结构上更贴近Tübingen数据集，而其他i.i.d.合成数据集则不然。进一步，我们引入SynthNN，这是一种基于所提出合成数据集训练的神经网络因果发现方法。SynthNN在真实世界的Tübingen数据集上与其他最先进方法相抗衡，提供了对底层可交换生成模型真实性的有力证据。