类别数据上的因果与效应判别：均匀信道模型
机器学习
2023-03-16 v1 计算与语言
信息论
math.IT
摘要
利用一对随机变量的观测区分因果与效应是因果发现中的核心问题。为此任务提出的大多数方法，即加性噪声模型（ANM），仅适用于定量数据。受将条件概率质量函数（pmf）视为离散无记忆信道的启发，我们提出一种准则来处理类别变量（存在于无有意义顺序的集合中）的因果-效应问题。我们选作最可能因果方向的是条件 pmf 更接近均匀信道（UC）的方向。其原理在于，在 UC 中，如同在 ANM 中，条件熵（效应给定原因）独立于原因分布，符合因果与机制独立原则。我们称此方法为均匀信道模型（UCM），从而将 ANM 原理拓展至类别变量。为评估（从数据估计的）条件 pmf 接近 UC 的程度，我们使用统计检验，并以 UC 信道的闭式估计为支撑。在理论方面，我们证明了 UCM 的可识别性，并展示其与具有低基数外生变量的结构因果模型的等价性。最后，在合成、基准与真实数据的实验中，所提方法优于近期最先进的替代方法。
引用
@article{arxiv.2303.08572,
title = {Distinguishing Cause from Effect on Categorical Data: The Uniform Channel Model},
author = {Mário A. T. Figueiredo and Catarina A. Oliveira},
journal= {arXiv preprint arXiv:2303.08572},
year = {2023}
}
备注
20 pages, 2 appendices