Wasserstein 空间中用于不变因果预测的方差最小化
机器学习
2022-03-01 v2 统计方法学
摘要
为结果选择强有力的预测变量是机器学习的基石任务。然而，某些类型的问题只能通过识别因果影响结果的预测变量来回答。近期一种解决该因果推断问题的方法利用了因果机制在不同实验环境下的不变性（Peters et al., 2016; Heinze-Deml et al., 2018）。该方法，即不变因果预测（ICP），存在一个显著的计算缺陷——运行时间随可能因果变量数量呈指数增长。在本工作中，我们表明 ICP 所采取的方法可重新表述为一系列非参数检验，其规模随预测变量数量线性增长。这些检验中的每一个都依赖于一个新颖损失函数——Wasserstein 方差（Wasserstein variance）——的最小化，该函数由最优传输理论中的工具导出，并用于量化跨环境的分布变异性。我们在温和假设下证明，我们的方法能够恢复可识别直接原因的集合，并在实验中表明其与其它基准因果发现算法具有竞争力。
引用
@article{arxiv.2110.07064,
title = {Variance Minimization in the Wasserstein Space for Invariant Causal Prediction},
author = {Guillaume Martinet and Alexander Strzalkowski and Barbara E. Engelhardt},
journal= {arXiv preprint arXiv:2110.07064},
year = {2022}
}