干预下因果DAG等价类的刻画与学习
统计方法学
2019-02-08 v3 统计理论
应用统计
统计理论
摘要
我们考虑在观测数据和干预数据均可用的情况下学习因果DAG的问题。这种设置在生物学中很常见，其中基因调控网络可以使用化学试剂或基因删除进行干预。Hauser和Bühlmann（2012）先前刻画了在完美干预下因果DAG的可识别性，完美干预消除了目标变量与其直接原因之间的依赖关系。在本文中，我们将这些可识别性结果推广到一般干预，一般干预可能修改目标变量与其原因之间的依赖关系而不消除它们。我们定义并刻画了可从一般（不一定是完美的）干预实验中识别的干预马尔可夫等价类。我们还提出了第一种在此设置下可证明一致的学习DAG的算法，并在模拟和生物学数据集上评估了我们的算法。
引用
@article{arxiv.1802.06310,
title = {Characterizing and Learning Equivalence Classes of Causal DAGs under Interventions},
author = {Karren D. Yang and Abigail Katcoff and Caroline Uhler},
journal= {arXiv preprint arXiv:1802.06310},
year = {2019}
}
备注
18 pages, 7 figures