利用路径查询对因果 Bayes 网进行高效计算与统计学习
机器学习
2019-08-19 v4 机器学习
摘要
从经验数据中进行因果发现是许多科学领域的一个基本问题。观测数据仅允许识别到 Markov 等价类。本文首先提出一个多项式时间算法，通过使用干预路径查询，以高概率学习任意因果 Bayesian 网络传递归约的精确正确定向结构。每个路径查询输入一个源节点和一个目标节点，并回答是否存在从源到目标的有向路径。这是通过对源节点进行干预并观测目标节点的样本实现的。我们从理论上证明了对于连续和离散网络，每次路径查询所需干预数据规模的样本复杂度为对数级。然后我们展示了如何同样使用对数级样本复杂度（尽管对于离散网络，时间随最大父节点数呈指数增长）学习传递边，从而使我们能够学习完整网络。我们进一步通过减少学习有根树所需的干预路径查询数量来扩展工作。我们还提供了对不完全干预的分析。
引用
@article{arxiv.1706.00754,
title = {Computationally and statistically efficient learning of causal Bayes nets using path queries},
author = {Kevin Bello and Jean Honorio},
journal= {arXiv preprint arXiv:1706.00754},
year = {2019}
}