域偏移下的无监督结构反事实生成

受跨域学习日益增长的兴趣驱动，我们提出了一种新颖的生成建模挑战：基于源域中的事实观测，在目标域中生成反事实样本。我们的方法在无监督范式下运行，不依赖并行或联合数据集，仅依赖各域各自的独立观测样本和因果图。这一设定带来的挑战超越了传统的反事实生成。我们的方法论核心在于将外生原因区分为效应内生型和域内生型两类。这种区分通过共享的效应内生外生变量，促进了将各域特定的因果图整合为统一的联合因果图。我们提出在这一联合框架中利用神经因果模型，在标准可识别性假设下实现精确的反事实生成。此外，我们引入了一种新颖的损失函数，在模型训练过程中有效地将效应内生变量与域内生变量分离开来。给定一个事实观测，我们的框架将源域中效应内生变量的后验分布与目标域中域内生变量的先验分布相结合，以合成所需的反事实样本，遵循Pearl的因果层次。有趣的是，当域偏移仅限于因果机制的改变而不伴随协变量偏移时，我们的训练方案等价于求解一个条件最优传输问题。在合成数据集上的实证评估表明，我们的框架生成的目标域反事实样本与真实值高度吻合。