因果数据表：在现实世界中实用评估贝叶斯网络的近似指南
人工智能
2022-02-18 v1 机器学习
性能
机器学习
摘要
在解决改变就医行为等现实世界问题时，设计干预以改善下游结果需要理解系统内的因果联系。因果贝叶斯网络（BN）已被提出作为此类强有力的方法之一。然而在现实应用中，对 BN 结果的置信度往往至多中等。这部分归因于无法对照某些真值进行验证，因为 DAG 不可用。若所学 DAG 与既有领域原理相冲突，此问题尤为突出。在政策层面，必须论证此类分析所得见解，最好附以不确定性估计。在此，我们提出对 Gebru 等人（2018）所提数据表概念的因果扩展，以包含任意给定数据集的近似 BN 性能预期。为生成原型因果数据表的结果，我们构建了逾 30,000 个性质映射真实数据特征的综合数据集。随后记录最先进结构学习算法给出的结果。这些结果用于填充因果数据表，并依预期性能自动生成建议。作为概念验证，我们使用因果数据表生成工具（CDG-T）为我们于印度北方邦开展的母婴健康调查赋予预期性能期望。
引用
@article{arxiv.2003.07182,
title = {Causal datasheet: An approximate guide to practically assess Bayesian networks in the real world},
author = {Bradley Butcher and Vincent S. Huang and Jeremy Reffin and Sema K. Sgaier and Grace Charles and Novi Quadrianto},
journal= {arXiv preprint arXiv:2003.07182},
year = {2022}
}