Towards Learning and Explaining Indirect Causal Effects in Neural Networks
神经网络中间接因果效应的学习与解释AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及结构因果模型以及直接、间接和总因果效应的学习与量化，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
神经网络中间接因果效应的学习与解释
- 研究问题
- 当神经网络输入变量存在依赖时，如何在训练中同时表达直接、间接与总因果效应，并在高维数据中量化这些效应？
- 方法与思路
- 作者将神经网络视为结构因果模型，在输入神经元间加入前馈连接，提出训练阶段的效应保持方法及效应量化与近似算法。
- 材料陈述的贡献
- 摘要称，方法将间接效应纳入网络训练和解释；合成与真实数据实验中，学得效应较所比较方法更接近所使用的真实效应。
- 阅读关注点
- 应核对输入连接的因果依据、直接与间接效应的定义，以及训练约束、近似误差和真实数据实验中参照效应的获得方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出识别条件，网络被表述为结构因果模型不等于其连接已有因果证据。
原文摘要
Recently, there has been a growing interest in learning and explaining causal effects within Neural Network (NN) models. By virtue of NN architectures, previous approaches consider only direct and total causal effects assuming independence among input variables. We view an NN as a structural causal model (SCM) and extend our focus to include indirect causal effects by introducing feedforward connections among input neurons. We propose an ante-hoc method that captures and maintains direct, indirect, and total causal effects during NN model training. We also propose an algorithm for quantifying learned causal effects in an NN model and efficient approximation strategies for quantifying causal effects in high-dimensional data. Extensive experiments conducted on synthetic and real-world datasets demonstrate that the causal effects learned by our ante-hoc method better approximate the ground truth effects compared to existing methods.