Linear Causal Representation Learning from Unknown Multi-node Interventions

尽管干预因果表示学习（CRL）最近在多方面取得了进展，但它们主要关注单节点干预的程式化假设。这种假设在广泛的应用中是无效的，并且通常在干预环境中干预的节点子集是完全未知的。本文侧重于未知多节点（UMN）干预环境下的干预CRL，并在随机干预（软或硬）和从潜在空间到观察空间的线性转换下，为一般潜在因果模型（参数化或非参数化）建立了第一个可识别性结果。具体而言，本文证明，给定足够多样的干预环境，（i）仅使用软干预即可实现祖先的可识别性，（ii）使用硬干预可以实现完美的可识别性。值得注意的是，这些保证与更为严格的单节点干预的最佳已知结果相匹配。此外，本文还提供了实现可识别性保证的CRL算法。设计这些算法的一个关键步骤是建立UMN干预CRL和不同干预环境的统计模型相关的得分函数之间的关系。建立这些关系还作为可识别性保证的构造性证明。

解决问题：本论文旨在解决干预因果表示学习中的多节点干预环境下的可识别性问题，并建立了一般潜在因果模型（参数或非参数）在随机干预（软或硬）和从潜在到观察空间的线性变换下的第一个可识别性结果。

关键思路：通过建立干预环境和统计模型的评分函数之间的关系，本文提出了UMN干预CRL算法，证明了在充分多样化的干预环境下，可以通过软干预实现祖先的可识别性，通过硬干预实现完美可识别性，并且这些保证与更为严格的单节点干预的保证相匹配。

亮点：本文提供了UMN干预CRL算法，并且证明了其在多样化的干预环境下的可识别性。实验使用了合成数据集进行验证，并提供了开源代码。本文的贡献在于提供了UMN干预CRL的可行性和可靠性证明，并为解决实际问题提供了新的思路。

相关研究：目前，干预因果表示学习领域的研究主要关注单节点干预的情况。与本文相关的研究包括：《Causal Inference with Multiple Concurrent Interventions》、《Generalized Linear Structural Equation Models for Causal Inference》等。