Causal normalizing flows: from theory to practice

要約

この作業では、因果推論のための正規化フローの使用について詳しく説明します。
具体的には、まず、非線形 ICA に関する最近の結果を活用して、因果モデルは因果順序付けが与えられた観察データから特定可能であり、したがって自己回帰正規化フロー (NF) を使用して復元できることを示します。
次に、因果関係の正規化フローのさまざまな設計と学習の選択肢を分析し、根底にある因果関係のデータ生成プロセスを把握します。
3 番目に、因果的 NF で do 演算子を実装する方法、つまり介入的な質問や反事実的な質問に答える方法について説明します。
最後に、私たちの実験では、包括的なアブレーション研究を通じてデザインとトレーニングの選択を検証します。
因果モデルを近似するための他のアプローチと因果 NF を比較します。
そして、因果関係グラフ上の離散連続データと部分的な知識が混在するのが標準である現実世界の問題に、因果関係 NF を使用して対処できることを経験的に示しています。
この作業のコードは https://github.com/psanch21/causal-flows にあります。

要約(オリジナル)

In this work, we deepen on the use of normalizing flows for causal reasoning. Specifically, we first leverage recent results on non-linear ICA to show that causal models are identifiable from observational data given a causal ordering, and thus can be recovered using autoregressive normalizing flows (NFs). Second, we analyze different design and learning choices for causal normalizing flows to capture the underlying causal data-generating process. Third, we describe how to implement the do-operator in causal NFs, and thus, how to answer interventional and counterfactual questions. Finally, in our experiments, we validate our design and training choices through a comprehensive ablation study; compare causal NFs to other approaches for approximating causal models; and empirically demonstrate that causal NFs can be used to address real-world problems, where the presence of mixed discrete-continuous data and partial knowledge on the causal graph is the norm. The code for this work can be found at https://github.com/psanch21/causal-flows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google