基于变异的因果效应辨识
人工智能
2022-11-23 v1 机器学习
统计方法学
机器学习
摘要
挖掘真实世界系统中复杂数据生成过程背后的真正机制，是提升数据驱动模型可解释性从而建立信任的根本步骤。因此，我们提出了一种基于变异的因果效应辨识（VCEI）框架，用于从单一观测设定下的二元系统中进行因果发现。我们的框架依赖于因与机制独立（ICM）原理，并假定存在非循环因果链接，且给出了该原理的一种实际实现。原则上，我们人为构造两种设定，其中被宣称为原因的一个协变量的边际分布保证具有不可忽略的变异。这是通过对边际样本重新加权，使得根据某种差异度量所得结果分布与该边际明显不同来实现的。在因果方向上，此类变异预期不会对效应生成机制产生影响。因此，量化这些变异对条件分布的影响即可揭示真正的因果方向。此外，我们在基于核的最大均值差异中表述了我们的方法，解除了对因果协变量数据类型的所有约束，并使此类人为干预成为一个凸优化问题。我们在真实与合成数据上提供了一系列实验，表明VCEI原则上可与其他因果效应辨识框架相竞争。
引用
@article{arxiv.2211.12016,
title = {Variation-based Cause Effect Identification},
author = {Mohamed Amine ben Salem and Karim Said Barsim and Bin Yang},
journal= {arXiv preprint arXiv:2211.12016},
year = {2022}
}