CKH：用于从数据与先验估计结构因果模型的因果知识层次
人工智能
2022-09-02 v2
摘要
结构因果模型（SCMs）提供了一种从经济学到医学等学科的观察性与实验性数据中识别因果关系的原理性方法。然而，通常表示为图模型的 SCMs 不能仅依赖数据，而是需要领域知识的支持。此背景下的一个关键挑战是缺乏将先验（背景知识）系统性地编码进因果模型的方法论框架。我们提出了一种称为因果知识层次（CKH）的抽象，用于将先验编码进因果模型。我们的方法基于医学中“证据等级”的基础，聚焦于因果信息的置信度。利用 CKH，我们提出了一种从多种信息源编码因果先验并将其结合以推导 SCM 的方法论框架。我们在模拟数据集上评估了该方法，并通过敏感性分析展示了与真实因果模型相比的总体性能。
引用
@article{arxiv.2204.13775,
title = {CKH: Causal Knowledge Hierarchy for Estimating Structural Causal Models from Data and Priors},
author = {Riddhiman Adib and Md Mobasshir Arshed Naved and Chih-Hao Fang and Md Osman Gani and Ananth Grama and Paul Griffin and Sheikh Iqbal Ahamed and Mohammad Adibuzzaman},
journal= {arXiv preprint arXiv:2204.13775},
year = {2022}
}