条件生成模型足以从任何因果效应估计中进行抽样

Feb, 2024

条件生成模型足以从任何因果效应估计中进行抽样

Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand

Md Musfiqur Rahman, Matt Jordan, Murat Kocaoglu

TL;DR通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

Abstract

causal inference from observational data has recently found many applications in machine learning. While sound and complete algorithms exist to compute causal effects, many of these algorithms require explicit ac

causal inference observational data conditional generative models interventional distribution strength of spurious correlations

发现论文，激发创造

关于利用生成模型进行观察性因果分析

研究建议使用一种假设的生成模型进行观察数据的因果分析，该模型可以用于预测变量的值，但不足以推断因果关系。

Jun, 2023

深度因果生成模型的半监督学习

通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。

Mar, 2024

高维因果推断的深层因果生成模型的模块化学习

提出了名为 Modular-DCM 的算法，利用预训练模型可以可靠地对高维数据进行因果查询，并从可识别的干预和反事实分布中采样。

Jan, 2024

因果学习的生成式干预

介绍了一种学习鲁棒视觉表示的框架，该框架能够推广到新的视点、背景和场景环境，并利用干扰因素以制造人为干预特征，从而学习更加符合基础因果关系的鲁棒表示方法。实验证明，该方法提升了多个需要超出训练分布的数据集的性能，在从 ImageNet 到 ObjectNet 数据集进行无分布推广时展现出最先进的性能。

Dec, 2020

因果生成神经网络

本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络（CGNN），通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素，并使用反向传播来学习可微分的数据生成模型。通过大量实验，发现在因果推断、v - 结构识别和多元因果发现方面，CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。

Nov, 2017

因子图模型视角下的干预泛化

本文利用因子图模型的语言，对干预因素模型 (IFM) 的可辨识性进行了分析，并通过实验数据来推导出 IFM 的必要和充分条件，以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。

Jun, 2023

使用生成式神经网络学习功能因果模型

本研究介绍了一种名为 Causal Generative Neural Networks (CGNN) 的新方法，它利用神经网络学习观测变量联合分布的生成模型，具有线性复杂度且在三个任务中表现良好，包括因果推断、识别 v-structures 和有条件独立性，以及多变量因果建模。

Sep, 2017

CausalGAN：使用对抗训练学习因果隐式生成模型

本文提出了一种对抗训练程序，用于学习给定因果图的因果隐式生成模型，探讨了生成模型、条件生成对抗网络及其应用，并证明实验结果能生成真实的观察和干预分布。

Sep, 2017

从可识别的因果表征到可控的反事实生成：因果生成建模综述

深度生成模型在数据密度估计和有限样本数据生成方面取得了巨大成功。然而，它们存在无法解释性、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等一些基本缺点。为了解决这些挑战，可以将因果性理论融入深度生成建模，结构因果模型可以描述数据生成过程并对系统中的变量之间的复杂因果关系和机制进行建模。因此，结构因果模型可以与深度生成模型自然地结合起来，给深度生成模型提供许多有益的属性，如分布偏移鲁棒性、公平性和互操作性。我们提供了一个因果生成建模的技术调研，将其分为因果表示学习和可控反事实生成方法两类。我们关注因果生成模型在公平性、隐私、超出分布泛化和精准医学方面的基本理论、形式化、缺点、数据集、度量和应用。我们还讨论了该领域未解决的问题和未来研究方向。

Oct, 2023

高斯过程网络中的贝叶斯因果推断

在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。

Feb, 2024