Unifying Causal Representation Learning with the Invariance Principle

要約

因果表現学習は、高次元の観察から潜在的な因果変数を回復して、新しい介入の効果やより堅牢な分類などの因果的な下流タスクを解決することを目的としています。
さまざまな方法が開発されており、それぞれが慎重に作成された問題設定に取り組み、さまざまな種類の識別可能性につながります。
民間伝承によれば、これらのさまざまな設定は重要であり、すべてがきちんと適合するわけではありませんが、パールの因果関係の階層のさまざまな階層にしばしばリンクされているためです。
私たちの主な貢献は、多くの既存の因果表現学習アプローチが方法論的に表現を既知のデータの対称性に合わせていることを示すことです。
変数の特定は、必ずしも因果関係があるとは限らない、さまざまなデータ ポケットにわたる等価クラスによって導かれます。
この結果は重要な意味を示唆しており、アプリケーションに関連する不変性に基づいて、非因果的な仮定を含むさまざまな仮定を組み合わせて一致させることができる、多くの既存のアプローチを 1 つの方法に統合できるようになります。
また、現実世界の高次元生態データに対する処理効果の推定を改善することで、適用性にも大きなメリットをもたらします。
全体として、この論文は、因果変数の発見における因果関係の仮定の役割を明確にし、データの対称性の維持に焦点を移します。

要約(オリジナル)

Causal representation learning aims at recovering latent causal variables from high-dimensional observations to solve causal downstream tasks, such as predicting the effect of new interventions or more robust classification. A plethora of methods have been developed, each tackling carefully crafted problem settings that lead to different types of identifiability. The folklore is that these different settings are important, as they are often linked to different rungs of Pearl’s causal hierarchy, although not all neatly fit. Our main contribution is to show that many existing causal representation learning approaches methodologically align the representation to known data symmetries. Identification of the variables is guided by equivalence classes across different data pockets that are not necessarily causal. This result suggests important implications, allowing us to unify many existing approaches in a single method that can mix and match different assumptions, including non-causal ones, based on the invariances relevant to our application. It also significantly benefits applicability, which we demonstrate by improving treatment effect estimation on real-world high-dimensional ecological data. Overall, this paper clarifies the role of causality assumptions in the discovery of causal variables and shifts the focus to preserving data symmetries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google