利用非高斯分布的不对称性质进行知识图谱中的因果发现

近年来，因果建模被广泛用于提升机器学习模型的泛化能力并提供可解释性。为在缺乏随机试验时确定因果效应关系，若有足够领域知识，我们可用反事实与干预对因果系统建模。然而，在若干情形下领域知识几乎缺失，唯一 recourse 是使用统计方法估计因果关系。尽管在非结构化数据中估计因果关系已有若干工作，我们仍未找到用于知识图谱（KG）中因果关系估计的明确定义框架。KG 通常用于为具有复杂跨域关系的数据提供语义框架。本文定义一种混合方法，使我们能在 KG 中发现因果效应关系。所提方法围绕使用非高斯模型（即在非高斯设定下寻找变量的因果序）对非实验矩阵的瞬时因果结构进行发现。该非实验矩阵是通过对 KG 的邻接张量分解得到的低维张量投影。我们使用两种既有算法，一用于因果发现，一用于 KG 分解，并将其结合以获得 KG 中的因果结构。