개입 데이터 기반 인과 구조의 테스트 타임 학습

Test-Time Learning of Causal Structure from Interventional Data

지도 인과 학습은 인과 관계 발견에서 가능성을 보여주었지만, 특히 개입 대상을 알 수 없는 경우 다양한 개입 환경 전반에서의 일반화에 종종 어려움을 겪는다. 이를 해결하기 위해, 우리는 테스트 타임 훈련과 결합 인과 추론을 결합한 새로운 방법인 TICL(Test-time Interventional Causal Learning)을 제안한다. 구체적으로, 우리는 테스트 타임에 인스턴스별 훈련 데이터를 생성하는 자가 증강 전략을 설계하여 분포 변화를 효과적으로 방지한다. 또한, 결합 인과 추론을 통합하여 이론적 식별성을 보장하면서도 자가 증강된 훈련 데이터를 효과적으로 활용하는 PC 알고리즘 기반의 2단계 지도 학습 체계를 개발했다. bnlearn 벤치마크에 대한 광범위한 실험은 인과 관계 발견 및 개입 대상 탐지의 여러 측면에서 TICL의 우수성을 입증한다.

Supervised causal learning has shown promise in causal discovery, yet it often struggles with generalization across diverse interventional settings, particularly when intervention targets are unknown. To address this, we propose TICL (Test-time Interventional Causal Learning), a novel method that synergizes Test-Time Training with Joint Causal Inference. Specifically, we design a self-augmentation strategy to generate instance-specific training data at test time, effectively avoiding distribution shifts. Furthermore, by integrating joint causal inference, we developed a PC-inspired two-phase supervised learning scheme, which effectively leverages self-augmented training data while ensuring theoretical identifiability. Extensive experiments on bnlearn benchmarks demonstrate TICL's superiority in multiple aspects of causal discovery and intervention target detection.