导语 因果推断旨在描述给定变量之间的因果关系。然而,在许多实际系统中,变量通常只能部分观测到,而一些未观测到的变量可能携带重要信息并对目标产生因果效应。识别这些未观测到的原因仍然是一个挑战。最近这篇发表于 Entropy 期刊 「因果与复杂系统特刊」的最新研究使用一个名为神经因果信息提取器 (Neural Causal Information Extractor,NCIE) 的生成器-判别器框架构建隐变量,它可以补充未观测到原因的信息,从而提供包括已观测到的原因和未观察到的原因的表示在内的完整原因集合。通过最大化目标与已观察到的原因和隐变量的并集之间的互信息,生成的隐变量可以补充未观测到的原因本应提供的信息。合成实验表明,隐变量保留了未观测到的原因的信息和动力学。此外,广泛的实际时间序列预测任务在引入隐变量后显示出更高的精度,表明它们与目标之间的因果关系。本文是论文第一作者梁京昊对论文的解读。 研究领域:复杂系统,因果推断,因果图,互信息,未观测变量 论文题目: Neural Causal Information Extractor for Unobserved Causes 论文链接...