因果模型族中推理的分类体系

Pearl 因果观念下以神经参数化的结构因果模型（称为 NCM）近来作为迈向下一代学习系统的一步而被引入。然而，上述 NCM 仅关注因果推断的学习方面，完全忽略了架构方面。亦即，NCM 内部的实际因果推断是不可处理的，因为 NCM 无法在多项式时间内返回查询的答案。该见解作为关于任意 SCM 参数化不可处理性这一更一般陈述的推论而得出，我们在本工作中通过经典的 3-SAT 归约证明了该陈述。由于未来的学习算法将需要处理高维数据以及支配数据的高度复杂机制，我们最终认为关于因果可处理推断的工作具有决定性意义。我们还表明并非所有“因果”模型都是等同创建的。更具体地说，存在能够回答因果查询但不是 SCM 的模型，我们称之为\emph{部分因果模型}（PCM）。我们针对所有不同模型族（即基于相关的、PCM 和 SCM）给出了关于可处理性性质的表格分类体系。作为工作的总结，我们还提供了一些初步想法，说明如何克服 SCM 因果推断的部分不可处理性：通过展示用 SPN 模块参数化 SCM 至少可允许可处理的机制。我们希望我们的不可能性结果连同因果模型可处理性分类体系能够提高对这一新颖研究方向的关注，因为在现实世界下游任务中取得因果性成功不仅取决于学习正确的模型，也要求我们具备获取模型推断的实际能力。