Mecanismos Causais Desentrelaçados de Forma Robusta: Validando Representações Profundas para Robustez Interventiva

A capacidade de aprender representações desentrelaçadas que separam fontes subjacentes de variação em dados não estruturados de alta dimensão é importante para o uso eficiente em dados e robusto de redes neurais. Embora várias abordagens voltadas para esse objetivo tenham sido propostas recentemente, falta uma definição e um procedimento de validação comumente aceitos. Fornecemos uma perspectiva causal sobre o aprendizado de representação que cobre o desentrelaçamento e a robustez em mudanças de domínio como casos especiais. Nosso framework causal nos permite introduzir uma nova métrica para a avaliação quantitativa de modelos de variáveis latentes profundas. Mostramos como essa métrica pode ser estimada a partir de dados observacionais rotulados e ainda fornecemos um algoritmo de estimativa eficiente que escala linearmente em relação ao tamanho do conjunto de dados.