图无关的因果贝叶斯优化
机器学习
2024-11-06 v1 机器学习
摘要
我们研究了在未知因果图上对目标变量进行全局优化的问题，可以在该图上执行一系列软干预或硬干预。与因果图相关的目标变量优化问题被形式化为因果贝叶斯优化（CBO）。我们在累积遗憾目标下，针对未知因果图研究了CBO问题，包括具有硬干预的结构因果模型和具有软干预的函数网络。我们提出了图无关因果贝叶斯优化（GACBO）算法，该算法主动发现对实现最优奖励有贡献的因果结构。GACBO寻求在利用能给出最佳奖励的动作与探索因果结构和函数之间取得平衡。据我们所知，我们的工作是首次在因果图未知或部分已知的情况下，研究具有累积遗憾目标的因果贝叶斯优化。我们在模拟实验和真实世界应用中展示了所提出的算法优于基线方法。
引用
@article{arxiv.2411.03028,
title = {Graph Agnostic Causal Bayesian Optimisation},
author = {Sumantrak Mukherjee and Mengyan Zhang and Seth Flaxman and Sebastian Josef Vollmer},
journal= {arXiv preprint arXiv:2411.03028},
year = {2024}
}