基于多干预评分与潜变量混合贝叶斯网络发现
机器学习
2022-10-19 v2
摘要
在贝叶斯网络(BNs)中，边的方向对于因果推理和推断至关重要。然而，马尔可夫等价类的考虑意味着并非总能确定边的方向，这就是为什么许多BN结构学习算法无法仅从纯观测数据确定所有边的方向。此外，潜混杂因子可能导致假阳性边。针对这些问题提出的方法相对较少。在这项工作中，我们提出了混合mFGS-BS(多数投票与快速贪婪等价搜索结合贝叶斯评分)算法，用于从离散数据中学习结构，数据包含一个观测数据集和一个或多个干预数据集。该算法在存在潜变量时假设因果不充分性，并生成部分祖先图(PAG)。结构学习依赖于一种混合方法和一种新颖的贝叶斯评分范式，该范式计算每条有向边被加入所学图的后验概率。基于已知网络(最多109个变量和10k样本量)的实验结果表明，mFGS-BS相对于当前最优方法提高了结构学习精度，并且计算高效。
引用
@article{arxiv.2112.10574,
title = {Hybrid Bayesian network discovery with latent variables by scoring multiple interventions},
author = {Kiattikun Chobtham and Anthony C. Constantinou and Neville K. Kitson},
journal= {arXiv preprint arXiv:2112.10574},
year = {2022}
}