无真实答案情境下的 DAG 模型选择：基于马尔可夫条件与最小边数
机器学习
2024-10-01 v1 人工智能
统计方法学
机器学习
摘要
我们提出一种新型非参数点一致统计检验（称为马尔可夫检查器，Markov Checker），用于检验给定数据集中有向无环图（directed acyclic graph, DAG）或已完成部分有向无环图（completed partially directed acyclic graph, CPDAG）模型是否满足马尔可夫条件。我们还引入了交叉算法节约搜索（Cross-Algorithm Frugality Search, CAFS），用于排除不通过马尔可夫检查器检验的 DAG 模型或边数不最小的模型。边数最小化已由 Raskutti 和 Uhler 作为非参数简单性准则使用，但 CAFS 易于推广到其他简单性条件。CAFS 无需参考真实答案，因此对于从给定数据集中寻找大约正确的因果结构学习算法和调参设置非常有用。我们提供了一个适用于即使是非常大或稠密模型的分析工具，前提是可用快速的点一致条件独立检验。此外，我们在仿真中表明，CAFS 可在无需知道真实答案的情况下选择大约正确的模型。
引用
@article{arxiv.2409.20187,
title = {Choosing DAG Models Using Markov and Minimal Edge Count in the Absence of Ground Truth},
author = {Joseph D. Ramsey and Bryan Andrews and Peter Spirtes},
journal= {arXiv preprint arXiv:2409.20187},
year = {2024}
}
备注
19 pages, 14 figures, 1 table