面向下游处理效应估计的贝叶斯因果发现方法基准测试
机器学习
2023-08-01 v3 统计方法学
摘要
因果性在决策中的实际效用十分广泛，并由因果发现与因果推断的交织所带来。然而，在因果发现方法的评估中存在显著缺口，即对下游推断的重视不足。为弥补这一缺口，我们在处理效应估计这一下游任务上评估了七种成熟的基线因果发现方法，包括一种基于 GFlowNets 的新提出方法。通过实施分布层面的评估，我们针对这些因果发现方法在处理效应估计上的效能提供了有价值且独特的见解，考量了合成与真实世界情景以及低数据情景。我们的研究结果表明，所研究的某些算法能够有效捕捉广泛有用且多样的 ATE 模式，而某些算法倾向于学习许多低概率模式，这影响了（未松弛的）召回率与精确率。
引用
@article{arxiv.2307.04988,
title = {Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation},
author = {Chris Chinenye Emezue and Alexandre Drouin and Tristan Deleu and Stefan Bauer and Yoshua Bengio},
journal= {arXiv preprint arXiv:2307.04988},
year = {2023}
}
备注
Peer-reviewed and Accepted to ICML 2023 Workshop on Structured Probabilistic Inference & Generative Modeling