基于反事实推理的可识别、成本敏感的因果决策框架
人工智能
2025-05-14 v1
摘要
在异常条件下进行决策是关键过程，需要评估当前状态并确定最优行动以在可接受成本下将系统恢复到正常状态。然而，这些情境下，现有的决策框架高度依赖强化学习或根本原因分析，导致它们经常忽视行动成本或未能充分融入因果机制。通过放宽现有因果决策框架以解决必要原因的问题，我们提出了基于反事实推理的最小成本因果决策（MiCCD）框架，以应对上述挑战。重点在于在大量混合异常数据存在下使反事实推理过程可识别，以及在连续决策空间中找到最优干预状态。具体而言，该框架基于因果图构建代理模型，使用异常模式聚类标签作为监督信号。这使我们能够近似估计变量之间的结构因果模型，从而为可识别的反事实推理奠定基础。随后，我们在反事实估计基础上建立了优化模型。进一步采用序列最小二乘规划（SLSQP）算法，在考虑成本的前提下优化干预策略。在合成数据和真实世界数据集上的实验评估表明，MiCCD在多个指标上（包括F1分数、成本效率和排序质量(nDCG@k值)）均优于传统方法，从而验证了其有效性和广泛适用性。
引用
@article{arxiv.2505.08343,
title = {An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning},
author = {Ruichu Cai and Xi Chen and Jie Qiao and Zijian Li and Yuequn Liu and Wei Chen and Keli Zhang and Jiale Zheng},
journal= {arXiv preprint arXiv:2505.08343},
year = {2025}
}