主动贝叶斯因果推断

因果发现和因果推理在经典上被视为分离且连续的步骤:先推断因果图,再用它估计干预的因果效应。然而,这种两阶段方法不经济,特别是在主动收集干预数据方面,因为感兴趣的因果查询可能不需要完全指定的因果模型。从贝叶斯视角看,这也不自然,因为因果查询(例如因果图或某些因果效应)可视为服从后验推断的潜变量——在此过程中,其他不直接感兴趣的未观测量(例如完整因果模型)应当被边缘化,并贡献于我们的认知不确定性。本工作中,我们提出主动贝叶斯因果推断(ABCI),一种用于因果发现与推理一体化的全贝叶斯主动学习框架,其联合推断因果模型与感兴趣查询上的后验。在ABCI的方法中,我们关注一类因果充分的非线性加性噪声模型,并使用高斯过程建模。我们依次设计对目标因果查询信息量最大的实验,收集相应的干预数据,并更新信念以选择下一实验。通过仿真,我们证明该方法比仅关注学习完整因果图的几种基线更具数据效率。这使我们能用更少样本准确学习下游因果查询,同时为感兴趣的量提供良好校准的不确定性估计。