dcFCI：面对潜在混合遗忘和数据混合类型的稳健因果发现
机器学习
2025-05-13 v1 人工智能
机器学习
摘要
因果发现是从观测数据推断因果关系的核心任务。在潜在混合遗忘的情况下，诸如 Fast Causal Inference（FCI）等算法会学习表示真实模型马尔可夫等价类的部分祖先图（PAG）。然而，这些方法的正确性严重依赖于经验忠诚性假设，即观测到的（不）依赖性完美地反映底层因果模型的（不）依赖性，这在实际中常因样本量有限而失败。为此，我们引入了第一个用于评估 PAG 与观测数据兼容性的非参数得分，能够处理混合变量类型。该得分既是必要又是充分的，用来刻画结构不确定性并区分不同 PAG。随后，我们提出数据兼容 FCI（dcFCI），即第一个能够同时处理潜在混合遗忘、经验不忠诚和混合数据类型的混合因果发现算法。dcFCI 将我们的得分集成到（任何时）FCI 导向的搜索中，以系统地探索、排序和验证候选 PAG。在合成数据和真实场景上的实验表明，dcFCI 在性能上显著优于当前最先进的方法，甚至在样本量小且数据异构性强的情况下也能恢复真实的 PAG。进一步检查排名靠前的 PAG 提供了关于结构不确定性的宝贵见解，支持更稳健、更明智的因果推理和决策-making。
引用
@article{arxiv.2505.06542,
title = {dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data},
author = {Adèle H. Ribeiro and Dominik Heider},
journal= {arXiv preprint arXiv:2505.06542},
year = {2025}
}
备注
31 pages. This work has been submitted to the IEEE for possible publication