Variance Minimization in the Wasserstein Space for Invariant Causal Prediction
利用 Wasserstein 空间方差最小化进行不变因果预测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：摘要明确研究跨环境不变性下的因果变量识别与直接原因恢复。
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…
利用 Wasserstein 空间方差最小化进行不变因果预测
- 研究问题
- 如何利用跨实验环境的因果机制不变性识别结果变量的直接原因，同时缓解传统不变因果预测对候选变量进行搜索的计算负担？
- 方法与思路
- 作者将不变因果预测重写为一系列非参数检验，通过最小化源于最优传输的 Wasserstein 方差衡量跨环境分布变化。
- 材料陈述的贡献
- 摘要称，检验安排随预测变量数量线性扩展，并在所述条件下恢复可识别的直接原因集合，实验表现与其他基准方法有竞争力。
- 阅读关注点
- 应核对环境干预和可识别性的条件、Wasserstein 方差的定义，以及线性扩展指检验数量还是包含优化成本的总运行时间。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未列明温和假设及优化成本，恢复保证仅针对可识别的直接原因。
原文摘要
Selecting powerful predictors for an outcome is a cornerstone task for machine learning. However, some types of questions can only be answered by identifying the predictors that causally affect the outcome. A recent approach to this causal inference problem leverages the invariance property of a causal mechanism across differing experimental environments (Peters et al., 2016; Heinze-Deml et al., 2018). This method, invariant causal prediction (ICP), has a substantial computational defect -- the runtime scales exponentially with the number of possible causal variables. In this work, we show that the approach taken in ICP may be reformulated as a series of nonparametric tests that scales linearly in the number of predictors. Each of these tests relies on the minimization of a novel loss function -- the Wasserstein variance -- that is derived from tools in optimal transport theory and is used to quantify distributional variability across environments. We prove under mild assumptions that our method is able to recover the set of identifiable direct causes, and we demonstrate in our experiments that it is competitive with other benchmark causal discovery algorithms.