DCILP：大规模因果结构学习的分布方法
机器学习
2025-07-01 v2 最优化与控制
统计方法学
摘要
因果学习解决了估计因果图的计算密集问题。本文引入一种新的分而治之方法，用于因果图学习，称为DCILP。在分解阶段，对每个变量的马尔可夫带(Markov blanket MB())进行识别，并独立地解决与每个MB()相关的因果学习子问题。这种方法由于更有利于样本数量与所考虑变量数量之间的比例，具有优势。相反，它可能受到隐藏混杂因素的影响，因为MB()之外的变量可能影响其中包含的变量。对在分解阶段生成的局部因果图进行协调是一种具有挑战性的组合优化问题，尤其是在大规模应用中。DCILP的主要创新点在于将这种协调问题的原始表述形式化为整数线性规划（ILP）问题，该问题可以委托给ILP求解器高效处理。通过在中大规模图上的实验以及与最先进方法的比较，DCILP在计算复杂度方面显著提升，同时在真实问题上保持学习准确性，在合成问题上最多只损失一点准确性。
引用
@article{arxiv.2406.10481,
title = {DCILP: A Distributed Approach for Large-Scale Causal Structure Learning},
author = {Shuyu Dong and Michèle Sebag and Kento Uemura and Akito Fujii and Shuang Chang and Yusuke Koyanagi and Koji Maruhashi},
journal= {arXiv preprint arXiv:2406.10481},
year = {2025}
}