面向神经网络中间接因果效应的学习与解释
机器学习
2024-01-09 v3 人工智能
统计方法学
摘要
近来，在神经网络(NN)模型中学习和解释因果效应日益受到关注。得益于NN架构，以往方法仅考虑直接因果效应和总因果效应，并假设输入变量间相互独立。我们将NN视为结构因果模型(SCM)，并通过在输入神经元间引入前馈连接，将关注点扩展至间接因果效应。我们提出了一种 ante-hoc 方法，在NN模型训练过程中捕获并保持直接、间接和总因果效应。我们还提出了一种用于量化NN模型中已学习因果效应的算法，以及用于高维数据因果效应量化的高效近似策略。在合成与真实世界数据集上开展的广泛实验表明，相较于现有方法，我们的 ante-hoc 方法学习到的因果效应能更好地逼近真实效应。
引用
@article{arxiv.2303.13850,
title = {Towards Learning and Explaining Indirect Causal Effects in Neural Networks},
author = {Abbavaram Gowtham Reddy and Saketh Bachu and Harsharaj Pathak and Benin L Godfrey and Vineeth N. Balasubramanian and Varshaneya V and Satya Narayanan Kar},
journal= {arXiv preprint arXiv:2303.13850},
year = {2024}
}
备注
AAAI 2024