Nat. Mach. Intell. 速递：基于深度孪生网络的分类反事实估计

关键词：反事实推理、因果、深度孪生网络、反事实排序

论文题目：Estimating categorical counterfactuals via deep twin networks

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-023-00611-x

反事实推理（Counterfactual inference）是一个强大的工具，能够解决许多行业（如医药、法律、金融等）的挑战性问题。为了进行反事实推理，我们需要了解潜在的因果机制。然而，因果机制不能仅从观察和干预中确定，两个具有相同条件分布和干预分布的因果模型可能在某些反事实上存在分歧。

这就提出了一个问题：如何选择因果机制，得出可信的反事实推理？二元变量的因果模型已经解决了这个问题，但是对于分类变量，这个问题仍然没有答案。

深度孪生网络（deep twin networks）——一种深度神经网络，能将反事实的估计简化为对更大的因果模型进行贝叶斯推理，用共同图形化表示事实世界和反事实世界，不过目前该网络还没有得到广泛的研究。

最近发表于 Nature Machine Intelligence 的这篇文章，通过为具有分类变量的因果模型引入反事实排序的概念解决了这一挑战，反事实排序是一个假设因果机制应该拥有的理想属性的原则，并证明了它等价于对因果机制的特定功能约束。为了学习满足这些约束的因果机制，并利用它们进行反事实推理，作者引入了深度孪生网络，经过训练后，能够进行孪生网络反事实推理（替代溯因-行动-预测方法）。作者还在医学、流行病学和金融领域的各种真实世界和半合成数据上对此方法进行了实证测试，报告了反事实概率的准确估计，同时证明了去除反事实排序时，反事实推理会产生的问题。