简介：虽然概率模型是研究因果关系的一个重要工具，但这类方法主要受限于过高的推理复杂度。作为迈向可行因果模型的一步，我们考虑了使用门函数(例如神经网络)过参数化的和积网络(SPNs)来学习干预分布(inventional distributions)的问题。门函数提供一个任意干预的因果图作为输入，有效地包含了Pearl提出的Do操作，来预测SPN的参数。由此产生的干预性SPN是由一个以个人健康为主题的结构性因果模型来解释和验证的。我们对来自生成模型和因果模型的基线方法的试验结果表明，干预SPN确实既具有表达性，又具有因果性。

链接：http://arxiv.org/abs/2102.10440
推荐理由：本文使用门函数来学习do-intervention之后的数据分布，具有很强的参考意义。

内容中包含的图片若涉及版权问题，请及时与我们联系删除