通过区分父节点与子节点进行因果发现
机器学习
2018-09-07 v2 机器学习
摘要
我们考虑在假设无隐藏混杂因素下从观测数据推断有向因果图的问题。我们采取信息论方法，并作出三项主要贡献。首先，我们展示如何通过算法信息论获得SCI——一种高度鲁棒、有效且计算高效的conditional independence（条件独立性）检验——并表明当应用于基于约束的推断方法（如stable PC）时，它优于最先进水平。其次，基于SCI，我们展示如何依据算法马尔可夫条件区分给定节点的父节点与子节点。我们给出Climb算法以高效发现该有向因果马尔可夫毯——并表明其至少与推断全局网络同样准确，同时效率更高。最后同样重要的是，我们详述如何利用Climb分数来为基于PC或GES的最先进因果发现算法遗留的未定向边确定方向——并表明这将其精确率、召回率和F1分数最多提升了20%。
引用
@article{arxiv.1808.06356,
title = {Causal Discovery by Telling Apart Parents and Children},
author = {Alexander Marx and Jilles Vreeken},
journal= {arXiv preprint arXiv:1808.06356},
year = {2018}
}
备注
11 pages, results section changed slightly