基于原子干预的协作式因果发现

我们引入一个新的协作式因果发现（Collaborative Causal Discovery）问题，借此建模一种常见场景：多个独立实体各自拥有自己的因果图，目标是同时学习所有这些因果图。我们在无因果充分性假设下研究该问题，使用极大祖先图（MAG）对因果图建模，并假设我们能够主动地对实体执行独立的单顶点（或原子）干预。若实体的 $M$ 个底层（未知）因果图满足一种自然的聚类概念，我们给出利用该性质并以每个实体大约对数于 $M$ 次原子干预恢复所有因果图的算法。这显著少于单独学习每个因果图所需的每个实体 $n$ 次原子干预，其中 $n$ 为因果图中可观测节点数。我们以一个下界补充了我们的结果，并讨论了协作设定的各种扩展。