基于外生分布学习的因果贝叶斯优化
机器学习
2026-02-02 v12 机器学习
摘要
在结构因果模型中，将目标变量最大化作为操作目标是一个基本问题。因果贝叶斯优化（Causal Bayesian Optimization, CBO）方法通常通过执行修改因果结构以增加奖励的干预，或通过向内生变量引入动作节点从而调整数据生成机制以满足目标来实现这一点。在本文中，我们提出了一种学习外生变量分布的新方法——这一方面在现有的 CBO 框架中常被忽略或通过期望被边缘化。通过对分布进行建模，我们提高了代理模型中用于数据生成的结构因果模型（Structural Causal Models, SCMs）的近似保真度，这些代理模型通常在有限的观测数据上训练。此外，恢复外生变量的能力使得我们的方法能够应用于加性噪声模型和单模高斯之外更一般的因果结构，从而允许为上下文噪声使用更具表达力的先验。我们将学习到的外生分布整合到一个新的 CBO 方法中，展示了其在不同数据集和应用场景下的优势。
引用
@article{arxiv.2402.02277,
title = {Causal Bayesian Optimization via Exogenous Distribution Learning},
author = {Shaogang Ren and Zihao Wang and Yuzhou Chen and Xiaoning Qian},
journal= {arXiv preprint arXiv:2402.02277},
year = {2026}
}