Unsupervised Structural-Counterfactual Generation under Domain Shift

要約

クロスドメイン学習への急成長の関心に動機付けられ、新しい生成モデリングの課題を提示します。ソースドメインからの事実の観察に基づいて、ターゲットドメインで反事実的なサンプルを生成します。
私たちのアプローチは、各ドメインの明確な観測サンプルと因果グラフにのみ依存して、平行または共同データセットを欠いている監視されていないパラダイム内で動作します。
この設定には、従来の反事実的生成の課題を上回る課題があります。
私たちの方法論の中心は、外因性の原因が効果的な原因とドメインintrincicのカテゴリを曖昧にしていることです。
この分化により、ドメイン固有の因果グラフの統合が、共有効果 – 内向性外因性変数を介して統一されたジョイント因果グラフに統合されます。
この共同フレームワーク内で神経因果モデルを活用して、標準の識別可能性の仮定の下で正確な反事実生成を可能にすることを提案します。
さらに、モデルトレーニング中にドメイン内膜変数から効果的にintrincicを分離する新しい損失関数を導入します。
事実上の観察を考えると、我々のフレームワークは、ソースドメインからの効果内向変数の事後分布と、ターゲットドメインからのドメインintrincic変数の事前分布を組み合わせて、目的の反事実を合成し、パールの因果階層を順守します。
興味深いことに、ドメインシフトが共変量シフトを伴わずに因果メカニズムの変化に限定される場合、トレーニングレジメンは条件付き最適輸送問題の解決と類似しています。
合成データセットの経験的評価は、私たちのフレームワークがターゲットドメインで非常に類似しているターゲットドメインで反事実を生成することを示しています。

要約(オリジナル)

Motivated by the burgeoning interest in cross-domain learning, we present a novel generative modeling challenge: generating counterfactual samples in a target domain based on factual observations from a source domain. Our approach operates within an unsupervised paradigm devoid of parallel or joint datasets, relying exclusively on distinct observational samples and causal graphs for each domain. This setting presents challenges that surpass those of conventional counterfactual generation. Central to our methodology is the disambiguation of exogenous causes into effect-intrinsic and domain-intrinsic categories. This differentiation facilitates the integration of domain-specific causal graphs into a unified joint causal graph via shared effect-intrinsic exogenous variables. We propose leveraging Neural Causal models within this joint framework to enable accurate counterfactual generation under standard identifiability assumptions. Furthermore, we introduce a novel loss function that effectively segregates effect-intrinsic from domain-intrinsic variables during model training. Given a factual observation, our framework combines the posterior distribution of effect-intrinsic variables from the source domain with the prior distribution of domain-intrinsic variables from the target domain to synthesize the desired counterfactuals, adhering to Pearl’s causal hierarchy. Intriguingly, when domain shifts are restricted to alterations in causal mechanisms without accompanying covariate shifts, our training regimen parallels the resolution of a conditional optimal transport problem. Empirical evaluations on a synthetic dataset show that our framework generates counterfactuals in the target domain that very closely resemble the ground truth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google