利用GFlowNets与变分贝叶斯进行因果结构与机制的贝叶斯学习
机器学习
2024-06-04 v3 机器学习
摘要
贝叶斯因果结构学习旨在学习有向无环图（DAGs）上的后验分布，以及定义父变量与子变量之间关系的机制。通过采用贝叶斯方法，可以对因果模型的不确定性进行推理。对模型不确定性建模的观念对于因果结构学习尤为关键，因为仅给定有限观测数据时模型可能是不可辨识的。本文中，我们引入一种利用变分贝叶斯联合学习因果模型结构与机制的新方法，称之为 Variational Bayes-DAG-GFlowNet (VBG)。我们将使用 GFlowNets 的贝叶斯因果结构学习方法扩展为不仅学习结构上的后验分布，还学习线性高斯模型的参数。我们在模拟数据上的结果表明，VBG 在建模 DAG 与机制上的后验分布方面具有与若干基线相竞争的性能，同时相较现有方法具有若干优势，包括保证采样无环图，以及推广至非线性因果机制的灵活性。
引用
@article{arxiv.2211.02763,
title = {Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes},
author = {Mizu Nishikawa-Toomey and Tristan Deleu and Jithendaraa Subramanian and Yoshua Bengio and Laurent Charlin},
journal= {arXiv preprint arXiv:2211.02763},
year = {2024}
}