存在环的情况下使用部分祖先图的基于约束的因果发现
统计理论
2023-09-18 v3 人工智能
机器学习
统计理论
摘要
尽管反馈环在许多复杂系统中起重要作用，但因果发现文献的很大一部分忽略了它们的存在，因为系统通常从一开始就被假设为无环的。当将专为无环设置设计的因果发现算法应用于由涉及反馈的系统所生成的数据时，人们不会期望获得正确结果。在这项工作中，我们表明——令人惊讶地——Fast Causal Inference (FCI) 算法的输出若应用于由涉及反馈的系统生成的观测数据则是正确的。更具体地，我们证明对于由简单且 -faithful 的结构因果模型 (SCM) 生成的观测数据，FCI 是可靠且完备的，并可用于一致地估计 (i) 因果关系的存在与缺失，(ii) 直接因果关系的存在与缺失，(iii) 混杂因素的缺失，以及 (iv) SCM 因果图中特定环的缺失。我们将这些结果扩展到利用某些形式背景知识的基于约束的因果发现算法，包括因果充分设置（例如 PC 算法）与联合因果推断设置（例如 FCI-JCI 算法）。
引用
@article{arxiv.2005.00610,
title = {Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles},
author = {Joris M. Mooij and Tom Claassen},
journal= {arXiv preprint arXiv:2005.00610},
year = {2023}
}
备注
This version corrects some typos in the published version (Proceedings of the 36th Conference on Uncertainty in Artificial Intelligence (UAI), PMLR volume 124, 2020); it also provides proofs inline instead of in a supplement for improved readability