VACA：面向干预与反事实查询的变分图自编码器设计
机器学习
2021-10-29 v1 机器学习
摘要
在本文中，我们提出 VACA，一类新颖的变分图自编码器，用于在无可观测混杂因子、仅可获得观测数据与因果图的情况下进行因果推断。在不作任何参数化假设的前提下，VACA 模拟结构因果模型（SCM）的必要性质，为近似干预（do-算子）与溯因-行动-预测步骤提供了一个灵活且实用的框架。结果表明（如我们的实证结果所示），VACA 能在多种 SCM 上准确近似干预分布与反事实分布。最后，我们将 VACA 应用于公平分类问题中反事实公平性的评估，以及在不损害性能的前提下学习公平分类器。
引用
@article{arxiv.2110.14690,
title = {VACA: Design of Variational Graph Autoencoders for Interventional and Counterfactual Queries},
author = {Pablo Sanchez-Martin and Miriam Rateike and Isabel Valera},
journal= {arXiv preprint arXiv:2110.14690},
year = {2021}
}