动态因果贝叶斯优化
机器学习
2021-10-27 v1 机器学习
摘要
本文研究在因果动力系统中执行一系列最优干预的问题，其中感兴趣的目标变量与输入均随时间演化。该问题出现在诸多领域，例如系统生物学与运筹学。动态因果贝叶斯优化（DCBO）融合了序列决策、因果推断与高斯过程（GP）仿真之思想。DCBO 适用于图中所有因果效应均随时间变化的场景。在每一时间步，DCBO 通过整合从系统收集的观测性与既往干预性数据来识别局部最优干预。我们给出理论结果，详述如何跨时间步迁移干预信息，并定义一种动态因果 GP 模型，可用于量化不确定性并在实践中寻找最优干预。我们展示了 DCBO 在多种设置与应用下比竞争方法更快地识别最优干预。
引用
@article{arxiv.2110.13891,
title = {Dynamic Causal Bayesian Optimization},
author = {Virginia Aglietti and Neil Dhir and Javier González and Theodoros Damoulas},
journal= {arXiv preprint arXiv:2110.13891},
year = {2021}
}