使用 Onion 方法的 DAG 适配进行更好的因果发现验证模拟
统计方法学
2024-05-24 v1 人工智能
摘要
从数据中学习因果模型的人工智能算法数量正在迅速增长。大多数“因果发现”或“因果结构学习”算法主要通过模拟研究进行验证。然而，目前不存在广泛接受的模拟标准，而且出版物经常报告相互矛盾的性能统计数据——即使仅考虑从线性模型模拟数据的出版物也是如此。作为回应，多篇手稿批评了一种用于验证线性情况下算法的流行模拟设计。我们提出了一种新的模拟设计，用于生成有向无环图（DAG）的线性模型：Onion 方法的 DAG 适配（DaO）。DaO 模拟与现有模拟存在根本不同，因为它们优先考虑相关矩阵的分布，而不是线性效应的分布。具体而言，DaO 方法均匀地采样与 DAG 一致（即马尔可夫于 DAG）的所有相关矩阵的空间。我们还讨论了如何采样 DAG，并提出了生成具有无标度入度或出度的 DAG 的方法。我们将 DaO 方法与两种替代模拟设计进行了比较，并提供了 DaO 方法在 Python 和 R 中的实现：https://github.com/bja43/DaO_simulation。我们提倡其他人采用 DaO 模拟作为公平的通用基准。
引用
@article{arxiv.2405.13100,
title = {Better Simulations for Validating Causal Discovery with the DAG-Adaptation of the Onion Method},
author = {Bryan Andrews and Erich Kummerfeld},
journal= {arXiv preprint arXiv:2405.13100},
year = {2024}
}