Implicit Causal Representation Learning via Switchable Mechanisms

要約

既知のグラウンドトゥルースのグラフ構造が存在しない場合に観察データおよび介入データから因果表現を学習するには、暗黙的な潜在的な因果表現の学習が必要です。
因果メカニズムの暗黙的な学習には通常、ハード介入とソフト介入という 2 つのカテゴリの介入データが含まれます。
現実世界のシナリオでは、ソフト介入はハード介入よりも現実的であることが多く、後者は完全に制御された環境を必要とします。
因果変数の変化を直接強制するハード介入とは異なり、ソフト介入は因果メカニズムに影響を与えることによって間接的に影響を及ぼします。
ただし、ソフト介入は繊細であるため、因果モデルの学習にはいくつかの課題が課せられます。
課題の 1 つは、親子関係がそのまま残るため、ソフト介入の効果が曖昧であることです。
この論文では、暗黙的なモデリングを維持しながら、ソフト介入を使用して因果モデルを学習するという課題に取り組みます。
我々は、異なる因果メカニズム間を切り替えるように設計された因果メカニズムスイッチ変数を採用することによりソフト介入の効果をモデル化するICLR-SMを提案する。
私たちの実験では、ベースラインのアプローチと比較して、識別可能な因果表現の学習の向上が一貫して観察されています。

要約(オリジナル)

Learning causal representations from observational and interventional data in the absence of known ground-truth graph structures necessitates implicit latent causal representation learning. Implicit learning of causal mechanisms typically involves two categories of interventional data: hard and soft interventions. In real-world scenarios, soft interventions are often more realistic than hard interventions, as the latter require fully controlled environments. Unlike hard interventions, which directly force changes in a causal variable, soft interventions exert influence indirectly by affecting the causal mechanism. However, the subtlety of soft interventions impose several challenges for learning causal models. One challenge is that soft intervention’s effects are ambiguous, since parental relations remain intact. In this paper, we tackle the challenges of learning causal models using soft interventions while retaining implicit modelling. We propose ICLR-SM, which models the effects of soft interventions by employing a causal mechanism switch variable designed to toggle between different causal mechanisms. In our experiments, we consistently observe improved learning of identifiable, causal representations, compared to baseline approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google