因果KL：评估因果发现
机器学习
2021-11-12 v1 机器学习
摘要
在人工数据上评估因果模型发现最常用两个准则：从真实模型到学习模型的编辑距离与Kullback-Leibler散度。这两个度量均对真实模型给予最大奖励。然而，我们认为它们在判断错误模型的相对优劣时区分度均不足。例如，编辑距离无法区分强与弱的概率依赖。另一方面，KL散度对等奖励所有统计等价模型，不论其因果主张不同。我们提出一种增广KL散度，称为因果KL (CKL)，其考虑了可区分观测等价模型的因果关系。给出了三种CKL变体的结果，表明因果KL在实践中表现良好。
引用
@article{arxiv.2111.06029,
title = {Causal KL: Evaluating Causal Discovery},
author = {Rodney T. O'Donnell and Kevin B. Korb and Lloyd Allison},
journal= {arXiv preprint arXiv:2111.06029},
year = {2021}
}
备注
26 pages