未知干预下高斯结构因果模型的刻画与贪心学习
统计方法学
2025-03-13 v4 统计计算
机器学习
摘要
我们考虑在每次实验的干预目标未知时，从不同的实验条件下恢复观测数据背后因果结构的问题。我们假设一个具有加性高斯噪声的线性结构因果模型，并考虑扰动其目标同时保持系统中因果关系的干预。不同的模型可能蕴含相同的分布，为给定观测提供相互竞争的因果解释。我们完整刻画了这一等价类并给出了可识别性结果，借此推导出一种称为 GnIES 的贪心算法，以在不知晓干预目标的情况下恢复数据生成模型的等价类。此外，我们开发了一种新流程，用于生成具有已知因果真值但分布与所选真实数据集高度相似的半合成数据集。我们利用该流程，在一系列合成与半合成数据集以及来自生物系统和严格受控物理系统的真实数据上评估了 GnIES 的性能。我们在 Python 包 gnies 和 sempler 中提供了 GnIES 及我们半合成数据生成流程的实现。
引用
@article{arxiv.2211.14897,
title = {Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions},
author = {Juan L. Gamella and Armeen Taeb and Christina Heinze-Deml and Peter Bühlmann},
journal= {arXiv preprint arXiv:2211.14897},
year = {2025}
}
备注
60 pages, 13 figures