面向代价感知因果图学习的实验设计
机器学习
2018-10-30 v1 离散数学
机器学习
摘要
我们考虑最小代价干预设计问题：给定因果图的本质图以及对变量进行干预的代价，确定具有最小总代价且能学习到具有给定本质图的任意因果图的干预集合。我们首先证明该问题是 NP-hard 的。接着我们证明可通过贪心算法对该问题实现常数因子近似。随后我们约束每次干预的稀疏性。我们开发了一种算法，对于具有稀疏干预的稀疏图，其所返回的干预设计在规模上近乎最优，并讨论了当顶点上存在代价时如何使用该算法。
引用
@article{arxiv.1810.11867,
title = {Experimental Design for Cost-Aware Learning of Causal Graphs},
author = {Erik M. Lindgren and Murat Kocaoglu and Alexandros G. Dimakis and Sriram Vishwanath},
journal= {arXiv preprint arXiv:1810.11867},
year = {2018}
}
备注
In NIPS 2018