基于编码器与强化学习的不完整数据因果发现
机器学习
2020-06-11 v1 机器学习
摘要
发现一组变量间的因果结构是多领域的基本问题。然而，最先进方法很少考虑观测数据存在缺失值（不完整数据）的可能性，而这在许多真实场景中十分普遍。缺失值会严重损害性能，甚至使因果发现算法失效。本文提出一种利用新型编码器与强化学习（RL）从不完整数据发现因果结构的方法。该编码器用于缺失数据填补与特征提取。具体而言，它学习将当前可用信息（含缺失值）编码为鲁棒特征表示，并用于确定在何处搜索最优图。编码器被集成至可用 actor-critic 算法优化的 RL 框架中。我们的方法以不完整观测数据为输入，生成因果结构图。在合成与真实数据上的实验结果表明，该方法能鲁棒地从不完整数据生成因果结构。与数据填补和因果发现方法直接组合相比，我们的方法总体更优，甚至可获得高达 43.2% 的性能提升。
引用
@article{arxiv.2006.05554,
title = {Causal Discovery from Incomplete Data using An Encoder and Reinforcement Learning},
author = {Xiaoshui Huang and Fujin Zhu and Lois Holloway and Ali Haidar},
journal= {arXiv preprint arXiv:2006.05554},
year = {2020}
}