存在隐变量时利用因果效应的贝叶斯网络结构学习
机器学习
2020-08-19 v2 人工智能
机器学习
摘要
隐变量可能导致虚假关联，从而被误解释为因果关系。在贝叶斯网络中，这一挑战被称为因果不充分性下的学习。假设因果不充分性的结构学习算法倾向于重构贝叶斯网络的祖先图，其中双向边表示混杂，有向边表示直接或祖先关系。本文描述了一种名为 CCHM 的混合结构学习算法，它将 cFCI 的基于约束部分与基于爬山评分的学习相结合。在假设贝叶斯网络为数据服从多元高斯分布的线性结构方程模型下，基于评分的过程结合了 Pearl 的 do-calculus 来度量因果效应，并确定原本保持无向的边的方向。基于随机网络和知名网络的实验表明，CCHM 在重构真实祖先图方面改进了现有技术。
引用
@article{arxiv.2005.14381,
title = {Bayesian network structure learning with causal effects in the presence of latent variables},
author = {Kiattikun Chobtham and Anthony C. Constantinou},
journal= {arXiv preprint arXiv:2005.14381},
year = {2020}
}