基于 A* 的因果发现中的领域知识
机器学习
2022-08-18 v1 人工智能
机器学习
摘要
因果发现已成为科学家和从业者想要从观测数据中发现因果关系的重要工具。虽然先前大多数因果发现方法隐式地假设没有专家领域知识可用，但从业者通常能从先前的经验中提供此类领域知识。近期工作已将领域知识纳入基于约束的因果发现。然而，此类基于约束的方法大多假设因果忠实性，而实践证明该假设经常不成立。因此，不假设因果忠实性的精确搜索基于分数的因果发现方法（如基于 A* 的方法）重新受到关注。但是，这些方法在领域知识背景下尚未被考虑。在这项工作中，我们专注于将若干类型的领域知识高效地整合到基于 A* 的因果发现中。在此过程中，我们讨论并解释了领域知识如何缩减图搜索空间，然后提供了潜在计算收益的分析。我们用合成和真实数据上的实验支持这些发现，表明即使少量的领域知识也能显著加速基于 A* 的因果发现并提升其性能与实用性。
引用
@article{arxiv.2208.08247,
title = {Domain Knowledge in A*-Based Causal Discovery},
author = {Steven Kleinegesse and Andrew R. Lawrence and Hana Chockler},
journal= {arXiv preprint arXiv:2208.08247},
year = {2022}
}