因果模型适应速度分析

May, 2020

An Analysis of the Adaptation Speed of Causal Models

Rémi Le Priol, Reza Babanezhad Harikandeh, Yoshua Bengio, Simon Lacoste-Julien

TL;DR本文在未知的结构因果模型 G 执行未知干预收集的数据集的基础上，使用随机优化的收敛速率，对因果关系下的结构因果模型 (SCMs) 适应速度进行了研究，并利用参数空间距离作为代理来衡量适应速度。我们发现，当干预在原因变量上时，SCM 的正确因果方向会得到巨大优势，而当干预在效应变量上时，我们对其相对适应速度进行了表征。令人惊讶的是，我们发现反因果模型在某些情况下具有优势，从而推翻初始假设。

Abstract

Consider a collection of datasets generated by unknown interventions on an unknown structural causal model $G$. Recently, Bengio et al. (2020) conjectured that among all candidate models, $G$ is the fastest to adapt from one dataset to another, along with promising experiments. Indeed,

structural causal model adaptation speed intervention causal direction stochastic optimization

发现论文，激发创造

公平感知因果模型的适应速度分析

在机器翻译任务中，为了实现两种语言之间的双向翻译，常常使用源语料库作为目标语料库，这涉及到使用相反方向的两个模型进行训练。然而，不同因素会影响适应速度，包括原始分布和修改后分布之间的因果依赖关系。本文通过考察简单的结构性因果模型中的敏感变量作用，对两个模型在四种场景的适应速度进行对比，并证明了所有干预情况下两个模型适应速度之间的联系。

Aug, 2023

因果模型的泛化和适应性能

本文研究了神经因果模型在零样本和小样本情况下的性能，并将其与单体模型和结构模型进行比较，其中预测变量的集合没有被限制为因果父节点。研究发现，相对于其他模型，因果神经模型在低数据量情况下具有更好的零样本和小样本适应性，并提供了稳健的泛化能力。此外，研究发现，比起更密集的图，对于更稀疏的图，这种效果更为显著。

Jun, 2022

学习解离因果机制的元转移目标

利用元学习方法，基于快速适应新分布的速度，学习因果结构，包括因果关系的参数化，模块化和编码等方面，以提高对非标准干预的快速适应能力和降低重学需要的信息量。

Jan, 2019

将图神经网络与结构因果模型相关联

本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。

Sep, 2021

从因果图总结中确定直接影响的可辨识性

本文介绍了一个完整的可识别性结果，该结果表征了所有情况，其中从总结因果图中直接效应可以图形化识别，并提供了两个可靠的有限调整集，可以用来估计直接效应。

Jun, 2023

从缓慢变化的非平稳过程进行因果推断

通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。