面向含隐变量因果发现的高效干预设计
机器学习
2020-07-14 v2 数据结构与算法
机器学习
摘要
我们考虑在存在隐变量的情况下恢复因果图，并寻求最小化恢复过程中所用干预的成本。我们考虑两种干预成本模型：(1) 线性成本模型，其中对变量子集进行干预的成本具有线性形式；(2) 恒等成本模型，其中干预成本相同，无论其作用于哪些变量，即目标仅为最小化干预次数。在线性成本模型下，我们给出了一种识别底层因果图祖先关系的算法，其成本在最优干预成本的2倍以内。在某些温和的限制条件下，对于任意ε > 0，该近似因子可提升至1+ε。在恒等成本模型下，我们通过一种特殊类型的碰撞节点对因果图进行参数化，界定了恢复整个因果图（包括隐变量）所需的干预次数。特别地，我们引入了p-碰撞节点的概念，即因果图中由特定类型的条件作用产生的节点对之间的碰撞节点，并给出了干预次数的一个上界，该上界是因果图中任意两节点间最大p-碰撞节点数的函数。
引用
@article{arxiv.2005.11736,
title = {Efficient Intervention Design for Causal Discovery with Latents},
author = {Raghavendra Addanki and Shiva Prasad Kasiviswanathan and Andrew McGregor and Cameron Musco},
journal= {arXiv preprint arXiv:2005.11736},
year = {2020}
}
备注
International Conference on Machine Learning 2020