混合局部因果发现
人工智能
2025-05-13 v2
摘要
局部因果发现旨在从观测数据中学习和区分目标变量的直接原因和影响。现有的约束式局部因果发现方法在构建局部因果骨架时使用AND或OR规则，但仅使用其中一种规则容易在所学习的局部因果骨架中产生级联错误，从而影响局部因果关系的推断。另一方面，直接将基于评分的全局因果发现方法应用于局部因果发现，由于局部等价类的存在，可能会随机返回错误结果。为解决上述问题，本文提出了一种混合局部因果发现算法，称为HLCD。具体而言，HLCD最初利用基于约束的方法结合OR规则获得候选骨架，然后采用评分方法消除候选骨架中的冗余部分。此外，在局部因果方向化阶段，HLCD通过比较两种情况（V型结构与等价类）的局部结构得分来区分V型结构和等价类，从而避免由局部等价类引起的方向化干扰。我们在14个基准贝叶斯网络数据集上对比评估了七种最先进的竞争方法，实验结果表明HLCD显著优于现有的局部因果发现算法。
引用
@article{arxiv.2412.19507,
title = {Hybrid Local Causal Discovery},
author = {Zhaolong Ling and Honghui Peng and Yiwen Zhang and Debo Cheng and Xingyu Wu and Peng Zhou and Kui Yu},
journal= {arXiv preprint arXiv:2412.19507},
year = {2025}
}
备注
This paper has been accepted for publication in the Proceedings of the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025)