通过逐变量留检验因果发现
机器学习
2024-11-11 v1 机器学习
统计方法学
摘要
我们提出了一种无需 ground truth 即可检验因果发现算法的新方法，基于对在学习因果模型时删除的变量对测试。为此，我们使用"逐变量留出 (Leave-One-Variable-Out, LOVO)"预测，其中在仅给定 和 的训练数据（无 的联合观察）时，推断 。我们展示，两种子集上的因果模型（以无环有向混合图 (ADMG) 形式）常常涉及 和 之间依赖关系，从而实现此类预测。由于联合分布 被假设可用，而 和 仅因目的是检验而被省略，因此可估计预测误差。随后我们呈现适用于通用因果发现算法的图形方法，说明如何针对依赖于特定先验假设的算法（如线性加性噪声模型）构建 LOVO 预测器。仿真结果表明，LOVO 预测误差确实与因果输出的准确性相关，确认了该方法的有效性。
引用
@article{arxiv.2411.05625,
title = {Cross-validating causal discovery via Leave-One-Variable-Out},
author = {Daniela Schkoda and Philipp Faller and Patrick Blöbaum and Dominik Janzing},
journal= {arXiv preprint arXiv:2411.05625},
year = {2024}
}