CORE：迈向可扩展且高效的强化学习因果发现
机器学习
2024-01-31 v1 人工智能
摘要
因果发现是从数据中推断因果结构的一项具有挑战性的任务。受珀尔因果层次结构（Pearl's Causal Hierarchy, PCH）的启发——该理论告诉我们仅凭被动观察不足以区分相关性与因果关系——近期研究开始将干预措施融入机器学习。强化学习为此类主动学习方法提供了一个便捷的框架。本文提出了 CORE，一种基于深度强化学习的因果发现与干预规划方法。CORE 能够学习从数据中顺序重建因果图，同时学习执行信息量丰富的干预。我们的结果表明，CORE 能够泛化到未见过的图，并高效地揭示因果结构。此外，CORE 可扩展到包含多达 10 个变量的更大图，并在结构估计准确度和样本效率上优于现有方法。所有相关代码和补充材料可在 https://github.com/sa-and/CORE 获取。
引用
@article{arxiv.2401.16974,
title = {CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning},
author = {Andreas W. M. Sauter and Nicolò Botteghi and Erman Acar and Aske Plaat},
journal= {arXiv preprint arXiv:2401.16974},
year = {2024}
}
备注
To be published In Proc. of the 23rd International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2024), Auckland, New Zealand, May 6 - 10, 2024, IFAAMAS