Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning

要約

観察データからの因果的発見における主要な課題は、完全な介入がないことであり、因果的な特徴を偽の特徴と区別することを困難にすることです。
革新的なアプローチ、機能マッチング介入（FMI）を提案します。これは、マッチング手順を使用して完全な介入を模倣します。
因果潜在グラフを定義し、構造因果モデルを潜在的な特徴空間に拡張し、FMIを因果グラフ学習と結びつけるフレームワークを提供します。
私たちの機能マッチング手順は、これらの因果的潜在グラフ内の完全な介入をエミュレートします。
理論的な結果は、FMIが強い分散除外（OOD）の一般化可能性を示すことを示しています。
実験は、観察データのみからの因果機能を効果的に特定するためのFMIの優れたパフォーマンスをさらに強調しています。

要約(オリジナル)

A major challenge in causal discovery from observational data is the absence of perfect interventions, making it difficult to distinguish causal features from spurious ones. We propose an innovative approach, Feature Matching Intervention (FMI), which uses a matching procedure to mimic perfect interventions. We define causal latent graphs, extending structural causal models to latent feature space, providing a framework that connects FMI with causal graph learning. Our feature matching procedure emulates perfect interventions within these causal latent graphs. Theoretical results demonstrate that FMI exhibits strong out-of-distribution (OOD) generalizability. Experiments further highlight FMI’s superior performance in effectively identifying causal features solely from observational data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google