贝叶斯因果发现评估中的挑战与考量
机器学习
2024-06-06 v1 人工智能
摘要
在因果发现中表示不确定性是实验设计以及更广泛的安全可靠因果决策的关键组成部分。贝叶斯因果发现（BCD）提供了一种封装这种不确定性的原则性方法。与非贝叶斯因果发现（依赖单个估计的因果图和模型参数进行评估）不同，评估BCD由于其推断量（后验分布）的性质而面临挑战。因此，研究社区提出了各种度量来评估近似后验的质量。然而，迄今为止，对于最合适的评估度量尚未达成共识。在本工作中，我们通过剖析各种度量并理解其局限性来重新审视这个问题。通过广泛的实证评估，我们发现许多现有度量未能与真实后验的近似质量表现出强相关性，尤其是在样本量较小（BCD最理想的情况）的场景中。我们强调了这些度量在两种不同因素下的适用性（或不适用性）：潜在因果模型的可识别性和可用数据量。这两个因素都影响真实后验的熵，表明当前度量在熵较高的设置中不太合适。我们的发现强调了在评估新方法时需要考虑真实后验的性质，从而进行更细致的评估，并指导和激励针对这一挑战开发新的评估程序。
引用
@article{arxiv.2406.03209,
title = {Challenges and Considerations in the Evaluation of Bayesian Causal Discovery},
author = {Amir Mohammad Karimi Mamaghan and Panagiotis Tigas and Karl Henrik Johansson and Yarin Gal and Yashas Annadani and Stefan Bauer},
journal= {arXiv preprint arXiv:2406.03209},
year = {2024}
}