Causal Optimal Transport of Abstractions

要約

因果抽象化 (CA) 理論は、複数の構造因果モデル (SCM) 間のマップを定義することにより、異なる粒度レベルで複数の構造因果モデル (SCM) を関連付ける正式な基準を確立します。
これらのマップは、複数の実験環境からの因果関係の証拠の合成、異なる解像度での因果関係の一貫した表現の学習、複数の SCM にわたる介入のリンクなど、現実世界の課題に重要な関連性を持っています。
この研究では、基盤となる SCM に関する完全な知識を前提とせずに、観察データと介入データから抽象化マップを学習する最初の方法である COTA を提案します。
特に、介入情報に依存するコスト関数とともに、実行計算因果制約を強制するマルチマージナル最適輸送 (OT) 定式化を導入します。
私たちは合成および現実世界の問題に関して COTA を広範囲に評価し、非因果的で独立した集合的な COTA 定式化と比較した COTA の利点を示します。
最後に、実際の下流タスクで、完全に指定された SCM を前提とする最先端の CA 学習フレームワークと比較することにより、データ拡張ツールとしてのこの手法の効率性を実証します。

要約(オリジナル)

Causal abstraction (CA) theory establishes formal criteria for relating multiple structural causal models (SCMs) at different levels of granularity by defining maps between them. These maps have significant relevance for real-world challenges such as synthesizing causal evidence from multiple experimental environments, learning causally consistent representations at different resolutions, and linking interventions across multiple SCMs. In this work, we propose COTA, the first method to learn abstraction maps from observational and interventional data without assuming complete knowledge of the underlying SCMs. In particular, we introduce a multi-marginal Optimal Transport (OT) formulation that enforces do-calculus causal constraints, together with a cost function that relies on interventional information. We extensively evaluate COTA on synthetic and real world problems, and showcase its advantages over non-causal, independent and aggregated COTA formulations. Finally, we demonstrate the efficiency of our method as a data augmentation tool by comparing it against the state-of-the-art CA learning framework, which assumes fully specified SCMs, on a real-world downstream task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google