专家辅助的祖先图因果发现
机器学习
2026-03-09 v4 机器学习
摘要
因果发现（CD）是许多科学应用的重要组成部分，然而大多数技术产生不可靠的点估计，且常与专家知识相矛盾。为缓解此问题，近期研究聚焦于将背景知识事前纳入 CD 过程，通常基于不现实的因果充分性假设。然而，当咨询专家成本高昂（例如隐藏在昂贵的 LLM API 之后）时，最大化查询效用的事后模型精炼更可取。此外，当独立专家提供相互冲突但优于随机的反馈时，需要一种原则性的聚合方法。在此背景下，我们引入了首个 CD 算法，其支持（i）祖先图（AGs）上的分布推断，AGs 表示潜在混杂下的因果系统，以及（ii）事前与不确定事后专家知识的整合。简言之，我们的方法是一种寻求多样性的强化学习算法，称为祖先图流网络（Ancestral GFlowNet, AGFN），我们基于噪声专家反馈的贝叶斯模型迭代精炼其策略。重要的是，我们证明了在响应足够准确时收敛到真实 AG。通过在合成与真实数据集上使用模拟人类和 LLMs 进行验证，我们表明 AGFN 在结构汉明距离和贝叶斯信息准则方面可与强基线竞争或优于强基线。
引用
@article{arxiv.2309.12032,
title = {Expert-Aided Causal Discovery of Ancestral Graphs},
author = {Tiago da Silva and Bruna Bazaluk and Eliezer de Souza da Silva and António Góis and Salem Lahlou and Dominik Heider and Samuel Kaski and Diego Mesquita and Adèle Helena Ribeiro},
journal= {arXiv preprint arXiv:2309.12032},
year = {2026}
}