General Identifiability and Achievability for Causal Representation Learning

要約

この論文は、一般的なノンパラメトリック潜在因果モデルおよび潜在データを観測データにマッピングする一般変換モデルの下での因果表現学習 (CRL) に焦点を当てています。
潜在因果グラフ内のノードごとに 2 つのハード非共役介入を使用して、識別可能性と達成可能性の結果を確立します。
特に、介入環境のどのペアに同じノードが介入しているか（つまり、分離されているか）はわかりません。
識別可能性に関して、この論文は、潜在因果モデルと変数の完全な回復が非共役介入下で保証されることを確立しています。
達成可能性を高めるために、観察データと介入データを使用し、証明可能な保証とともに潜在的な因果モデルと変数を回復するアルゴリズムが設計されています。
このアルゴリズムは、さまざまな環境にわたるスコアの変動を利用して、変換器の逆関数を推定し、その後、潜在変数を推定します。
さらに、この分析では、2 つのハード結合された介入、つまり、同じノードが介入する環境のペアに関するメタデータが既知である場合の識別可能性の結果が回復されます。
この論文はまた、観察データが利用可能な場合、既存の文献で採用されている追加の忠実性の仮定が不要であることも示しています。

要約(オリジナル)

This paper focuses on causal representation learning (CRL) under a general nonparametric latent causal model and a general transformation model that maps the latent data to the observational data. It establishes identifiability and achievability results using two hard uncoupled interventions per node in the latent causal graph. Notably, one does not know which pair of intervention environments have the same node intervened (hence, uncoupled). For identifiability, the paper establishes that perfect recovery of the latent causal model and variables is guaranteed under uncoupled interventions. For achievability, an algorithm is designed that uses observational and interventional data and recovers the latent causal model and variables with provable guarantees. This algorithm leverages score variations across different environments to estimate the inverse of the transformer and, subsequently, the latent variables. The analysis, additionally, recovers the identifiability result for two hard coupled interventions, that is when metadata about the pair of environments that have the same node intervened is known. This paper also shows that when observational data is available, additional faithfulness assumptions that are adopted by the existing literature are unnecessary.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google