邻接忠实性与保守因果推断
人工智能
2012-07-02 v1 统计方法学
摘要
文献中的大多数因果推断算法（例如 Pearl (2000)、Spirtes et al. (2000)、Heckerman et al. (1999)）利用了一个通常被称为因果忠实性或稳定性条件的假设。在本文中，我们强调了基于约束的算法中所使用条件的两个组成部分，我们将其称为“邻接忠实性”和“方向忠实性”。我们指出，在假设邻接忠实性成立的前提下，原则上可以检验方向忠实性的有效性。基于这一观察，我们探讨了仅作邻接忠实性假设的后果。我们表明，在较弱的邻接忠实性假设下，必须对熟悉的 PC 算法进行修改才能（渐近地）正确。粗略地说，修改后的算法称为保守 PC（CPC），它在定向阶段检查方向忠实性是否成立，如果不成立，则避免得出 PC 算法会得出的某些因果结论。然而，如果更强的标准因果忠实性条件实际上成立，则表明 CPC 算法在大样本极限下输出与 PC 算法相同的模式。我们还提出了一项模拟研究，表明 CPC 算法的运行速度几乎与 PC 算法一样快，并且在现实的样本量下，输出的错误因果箭头显著少于 PC 算法。我们在论文最后讨论了当邻接忠实性成立但标准因果忠实性条件不成立时，诸如 GES 等基于评分的算法的表现，以及如何将我们的工作扩展到允许存在潜在变量的 FCI 算法。
引用
@article{arxiv.1206.6843,
title = {Adjacency-Faithfulness and Conservative Causal Inference},
author = {Joseph Ramsey and Jiji Zhang and Peter L. Spirtes},
journal= {arXiv preprint arXiv:1206.6843},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence (UAI2006)