因果下游任务中的烟雾与镜像现象
机器学习
2025-02-11 v4
摘要
机器学习与人工智能有望变革数据驱动的科学发现，使我们能够对几类科学现象进行精确预测。由于许多科学问题本质上是因果性的，本文关注治疗效应估计这一因果推断任务，其中感兴趣的结局在随机对照试验（RCT）中以高维观测记录。尽管该任务是最简单的因果情境且深得深度学习的青睐，我们理论上发现文献中许多常见选择可能导致偏差估计。为检验这些考虑在实际中的影响，我们记录了ISTAnt，这是第一个针对高维观测的因果下游任务基准数据集，旨在研究囟菊蜂（Lasius neglectus）对应用在其巢成员身上微粒的反应，这些微粒是通过卫生清洁行为施加的。我们比较了6480个微调自最先进视觉骨干网络的模型，发现抽样和建模选择显著影响因果估计的准确性，而分类准确率并非其良好指示器。我们进一步在控制因果模型的合成视觉数据集上重复了该分析。我们的结果表明，未来的基准应仔细考虑尤其是因果性问题的真实下游科学问题。此外，我们提出了帮助表征学习方法回答科学领域中因果问题的指导方针。
引用
@article{arxiv.2405.17151,
title = {Smoke and Mirrors in Causal Downstream Tasks},
author = {Riccardo Cadei and Lukas Lindorfer and Sylvia Cremer and Cordelia Schmid and Francesco Locatello},
journal= {arXiv preprint arXiv:2405.17151},
year = {2025}
}