因果提升与链接预测
机器学习
2023-07-28 v2 人工智能
统计方法学
机器学习
摘要
现有的用于链接预测的因果模型假设一组底层的固有节点因子——在节点诞生时定义的内在特征——支配着图中链接的因果演化。然而，在某些因果任务中，链接形成是路径依赖的：链接干预的结果依赖于已存在的链接。遗憾的是，这些现有的因果方法并非为路径依赖的链接形成而设计，因为链接之间级联的函数依赖（由路径依赖产生）要么不可识别，要么需要不切实际数量的控制变量。为克服这一点，我们开发了首个能够处理链接预测中路径依赖的因果模型。在这项工作中，我们引入因果提升的概念，这是因果模型中具有独立意义的不变性，在图上它允许使用有限的干预数据识别因果链接预测查询。此外，我们展示结构化的成对嵌入如何表现出更低的偏差并正确表示任务的因果结构，这与现有的节点嵌入（例如图神经网络节点嵌入和矩阵分解）相反。最后，我们在三个因果链接预测任务场景上验证我们的理论发现：知识库补全、协方差矩阵估计和消费者-产品推荐。
引用
@article{arxiv.2302.01198,
title = {Causal Lifting and Link Prediction},
author = {Leonardo Cotta and Beatrice Bevilacqua and Nesreen Ahmed and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2302.01198},
year = {2023}
}