ACTIVA：通过变分自编码器进行摊销式因果效应估计

arXiv:2503.01290v4 公告类型：替换 摘要：根据观测数据预测干预后的分布，是许多科学研究和决策问题的核心，但由于因果关系的歧义性、限制性的建模假设，以及缺乏跨任务摊销机制，这仍然具有挑战性。我们提出 ACTIVA，这是一种基于 Transformer 的条件变分自编码器，用于根据观测数据和干预查询，对完整的干预分布进行摊销式估计。ACTIVA 学习一个条件潜变量先验，将因果知识摊销到多样化的训练任务中，从而仅需一次前向传播即可处理从训练分布中抽取的新因果模型，无需干预数据、因果图或逐任务拟合。对于训练分布之外的情况，我们仅测试了模拟器的参数偏移。我们在总体层面对 ACTIVA 的估计目标进行了刻画，表明在理想化的表达能力和无限样本假设下，ACTIVA 的学习目标所针对的是：与输入在观测层面相容的因果模型所对应的干预分布，按照模拟器赋予的权重形成的混合分布。实证结果表明，在合成数据集和具有生物学真实性的基因表达模拟数据上，ACTIVA 显著优于基于相关性的基线方法，减少了对非后代变量的虚假效应，并且相较于强大的摊销式基线方法取得了具有竞争力的性能。对于共享同一观测数据集的一对观测等价模型，ACTIVA 恢复了理论预测的混合分布，从而在有限容量模型中验证了该理论。我们的结果表明，ACTIVA 是一种很有前景的根据观测数据估计干预分布的方法。