函数式因果贝叶斯优化
机器学习
2023-06-14 v1 机器学习
摘要
我们提出函数式因果贝叶斯优化（fCBO），一种用于在已知因果图中寻找优化目标变量的干预的方法。fCBO将CBO方法族扩展到支持函数式干预，即将某变量设为图中其他变量的确定性函数。fCBO用定义在再生核希尔伯特空间中的高斯过程对未知目标建模，从而允许计算向量值函数之间的距离。进而，这能够在保持标准BO设置典型计算可处理性的同时，通过最大化期望改进采集泛函来顺序选择待探索函数。我们引入了图准则，确立了何时考虑函数式干预可获得更好的目标效应，以及所选干预对条件目标效应也最优的条件。我们在合成和真实世界因果图上展示了该方法的优势。
引用
@article{arxiv.2306.06409,
title = {Functional Causal Bayesian Optimization},
author = {Limor Gultchin and Virginia Aglietti and Alexis Bellot and Silvia Chiappa},
journal= {arXiv preprint arXiv:2306.06409},
year = {2023}
}