DeDiCa: A Scalable Deconfounding Discrete Causal Generative Model

📄 arXiv: 2610.23272v1 📥 PDF

作者: Kunchangtai Liang, Adrián Javaloy, Antonio Vergari, Isabel Valera

分类: cs.LG

发布日期: 2026-10-16

备注: 32 pages, 14 figures, 7 tables

💡 一句话要点

提出DeDiCa以解决离散变量和隐藏混淆的因果推断问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 因果推断 离散变量 隐藏混淆 贝叶斯网络 张量化参数化 最大似然估计 内存效率 干预查询

📋 核心要点

  1. 现有因果推断方法在处理离散变量和隐藏混淆时面临效率和准确性挑战。
  2. DeDiCa通过张量化参数化的因果贝叶斯网络，提供了一种高效的因果推断解决方案。
  3. 实验结果表明，DeDiCa在ATE估计上与最先进模型相当，同时显著降低了推断时间和内存使用。

📝 摘要（中文）

我们介绍了DeDiCa，这是一个高效的因果推断框架，专注于离散变量和隐藏混淆的处理。该框架通过张量化的因果贝叶斯网络参数化，重新审视经典的概率建模，从而实现可处理的推断。在给定因果图的情况下，DeDiCa通过最大似然法在观测数据上进行一次训练，准确地边际化隐藏混淆变量，并能够估计任何（代理）可识别的干预查询。尽管参数化设计相对简单，DeDiCa在平均处理效应（ATE）估计上与最先进的神经因果生成模型相匹配，同时支持内存高效的CPU训练和毫秒级的精确干预推断。与因果基础模型相比，DeDiCa在增加观测样本时扩展性更强，并在显著降低推断时间和内存的同时实现竞争性的准确性。DeDiCa为具有隐藏混淆的离散环境中的因果推断提供了一种可处理、准确和可扩展的方法。

🔬 方法详解

问题定义：本论文旨在解决离散变量和隐藏混淆对因果推断的影响。现有方法在处理这些问题时常常面临效率低下和准确性不足的挑战。

核心思路：DeDiCa的核心思路是通过张量化的因果贝叶斯网络参数化，重新审视经典的概率建模，从而实现对隐藏混淆变量的准确边际化和高效推断。

技术框架：DeDiCa的整体架构包括因果图的构建、最大似然训练和干预查询的估计三个主要模块。首先，构建因果图以表示变量之间的关系；然后，在观测数据上进行一次性训练；最后，利用训练结果进行干预查询的推断。

关键创新：DeDiCa的主要创新在于其张量化参数化方法，使得在处理隐藏混淆时能够实现高效的边际化和推断。这一设计使其在性能上超越了传统的因果推断方法。

关键设计：在参数设置上，DeDiCa采用了最大似然估计作为训练目标，并设计了高效的损失函数以优化模型性能。此外，网络结构经过精心设计，以确保在内存使用和计算效率之间取得良好平衡。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，DeDiCa在平均处理效应（ATE）估计上与最先进的神经因果生成模型相当，同时在推断时间上减少了显著的延迟，内存使用也显著低于传统因果基础模型，展现出更好的扩展性和效率。

🎯 应用场景

DeDiCa的研究成果在多个领域具有潜在应用价值，包括社会科学、经济学和公共卫生等领域的因果推断分析。通过提供高效的因果推断工具，研究人员可以更准确地评估干预措施的效果，从而为政策制定和科学研究提供更有力的支持。

📄 摘要（原文）

We introduce DeDiCa, a practical framework for efficient causal inference with discrete variables and hidden confounding that revisits classical probabilistic modeling through a tensorized parameterization of causal Bayesian networks, enabling tractable inference. Given a causal graph, DeDiCa is trained once on observational data by maximum likelihood, exactly marginalizing over hidden confounders, and can then estimate any (proxy-)identifiable interventional query. Despite this deliberately simple parameterization, DeDiCa matches state-of-the-art neural causal generative models in ATE estimation, while supporting memory-efficient CPU training and exact interventional inference in milliseconds. Compared with causal foundation models, DeDiCa scales more effectively with additional observational samples and achieves competitive accuracy at substantially lower inference time and memory. DeDiCa provides a tractable, accurate, and scalable approach to causal inference in discrete settings with hidden confounding.