DeDiCa：一种可扩展的去混杂离散因果生成模型

arXiv:2610.23272v1 公告类型：新 摘要：我们提出 DeDiCa，一种面向离散变量和隐藏混杂的高效因果推断实用框架。该框架通过对因果贝叶斯网络进行张量化参数化，重新审视经典概率建模，从而实现可处理的推断。给定因果图后，DeDiCa 通过最大似然在观测数据上训练一次，并对隐藏混杂因素进行精确边缘化，随后即可估计任意（代理）可识别的干预查询。尽管采用了这种刻意保持简单的参数化方式，DeDiCa 在 ATE 估计方面仍可达到当前最先进神经因果生成模型的水平，同时支持节省内存的 CPU 训练，并能在毫秒级完成精确的干预推断。与因果基础模型相比，DeDiCa 能够更有效地随额外观测样本扩展，并以显著更低的推断时间和内存消耗达到具有竞争力的准确率。DeDiCa 为存在隐藏混杂的离散场景下的因果推断提供了一种可处理、准确且可扩展的方法。