.png){kind=icon}
返回
A Generative Adversarial Framework for Bounding Confounded Causal Effects
.png){kind=icon}
OA
AI
DOI：10.1609/aaai.v35i13.17437.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于观测数据的因果推断在许多领域正得到广泛应用。然而，当因果效应无法从观测数据中唯一计算时，这种不可识别的情况为将因果推断应用于复杂实际应用带来了关键障碍。本文基于Pearl的结构因果模型，开发了一种用于估计由隐藏混杂因素导致的不可识别情况下平均因果效应（ACE）的界限方法。我们提出使用神经网络和隐式生成模型对因果模型中的未知外生随机变量和结构方程进行参数化。随后，利用对抗学习框架，我们在参数空间中搜索，明确遍历与给定观测分布一致的因果模型，并找到能使ACE最小化或最大化的模型，从而获得其下界和上界。所提出的方法不对结构方程和变量的类型做假设。实验采用合成和真实世界数据集进行。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息