AcceleratedLiNGAM：以 GPU 速度学习因果 DAG
机器学习
2024-03-07 v1 分布式、并行与集群计算
机器学习
摘要
现有的基于组合优化或搜索的因果发现方法速度缓慢，阻碍了其在大规模数据集上的应用。为此，最近的方法试图通过将因果发现表述为具有连续优化的结构学习来解决这一限制，但迄今为止此类方法未提供统计保证。在本文中，我们表明通过高效并行化现有的因果发现方法，我们实际上可以将它们扩展到数千个维度，使其适用于更大规模的问题。特别是，我们并行化了 LiNGAM 方法，该方法在变量数量上是二次方的，与现有的顺序实现相比，在基准数据集上获得了高达 32 倍的加速。具体而言，我们专注于 DirectLiNGAM 中的因果排序子过程，并实现了 GPU 内核以加速它。这使我们能够将 DirectLiNGAM 应用于具有遗传干预的大规模基因表达数据的因果推断，产生与专门的连续优化方法相比具有竞争力的结果，并将 Var-LiNGAM 用于美国股票数据的因果发现。
引用
@article{arxiv.2403.03772,
title = {AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs},
author = {Victor Akinwande and J. Zico Kolter},
journal= {arXiv preprint arXiv:2403.03772},
year = {2024}
}
备注
Accepted at MLGenX @ ICLR 2024. Open source at https://github.com/Viktour19/culingam