面向可逆潜变量因果模型的域反事实表征

回答反事实查询在可解释性、鲁棒性与公平性等方面具有重要应用，但当因果变量未被观测且观测为这些潜变量的非线性混合（如图像中的像素）时则具挑战性。一种方法是恢复潜变量结构因果模型（SCM），但因需强假设（如因果机制的线性或完美原子干预）而在实践中可能不可行。同时，使用朴素域翻译模型生成反事实样本的更实用基于ML的方法缺乏理论依据，且可能构造无效反事实。本工作力求在实用性与理论保证间取得平衡，通过分析一类称为域反事实的特定因果查询，其假设样本若在不同域（或环境）中生成会呈现何种样貌。我们表明恢复潜变量SCM对于估计域反事实并非必要，从而规避部分理论挑战。通过假设干预的可逆性与稀疏性，我们证明域反事实估计误差可由数据拟合项与干预稀疏项界定。基于理论结果，我们开发了具理论依据的实用算法，将建模过程简化为在自回归与共享参数约束（强制干预稀疏）下的生成模型估计。最后，我们通过大量仿真与基于图像的实验展示了相较基线方法的反事实估计改进。