CausalNeural Connection: Expressiveness Learnability Inference

尽管NCM具有足够的表达能力，但是一个真正的SCM是没办法仅仅通过观察数据学习出来的，也就是不具备足够的学习能力

（任何因果推理的中心要素之一是一个被称为结构因果模型(SCM)的对象,它代表了被调查系统的随机变化的机制和外生来源的集合(Pearl,2000)。多种神经网络的一个重要特性是通用逼近性:以任意精度逼近任意函数的能力。鉴于这一特性,人们可能会猜测一组神经网络能够通过对 SCM 生成的数据进行训练来学习任何 SCM。在这篇论文中,我们通过理清表现性和可学性的概念来证明情况并非如此。特别地,我们证明了因果层次定理(Thm。1,Bareinboim 等人,2020),它描述了可以从数据中学习到的内容的限制,仍然适用于神经模型。例如,一个任意复杂且富于表现力的神经网络无法预测仅给定观察数据的干预效果。鉴于这一结果,我们引入了一种特殊类型的供应链管理,称为神经因果模型(NCM),并形式化了一种新类型的归纳偏差,以编码执行因果推理所必需的结构约束。基于这一新的模型类别,我们着重解决文献中发现的两个典型任务,即因果识别和估计。

利用神经工具箱,我们开发了一种算法,该算法对于确定是否可以从数据中学习因果效应(即,因果可识别性)是充分且必要的;然后,只要可识别性成立,它就估计影响(因果估计)。仿真证实了所提出的方法）

详细解读阅读原文：https://zhuanlan.zhihu.com/p/452802170：（意味着我们无法仅仅通过保证下层正确来保证上层正确。因此，在没有其他的假设下，NCM是没办法作为代理完成上层的因果推断的。

也就是说，尽管NCM具有足够的表达能力，但是一个真正的SCM是没办法仅仅通过观察数据学习出来的，也就是不具备足够的学习能力。

使用因果图构造NCM

前面说到只通过观察数据不可能完整的学习到SCM，那么我们是否可以退而求其次，通过一些辅助信息到达因果之梯的第二层呢？

答案是可以的，只需要通过因果图即可。）

另外一篇对结果进行了对比：《 On the Tractability of Neural Causal Inference》

and code: https://github.com/zecevic-matej/Tractable-Neural-Causal-Model