树形结构因果模型的多项式时间识别
人工智能
2024-03-06 v2 数据结构与算法
摘要
线性结构因果模型（SCMs）用于表达与分析随机变量之间的关系。直接因果效应表示为有向边，混杂因素表示为双箭头边。从节点间相关性识别因果参数是人工智能中的一个开放问题。本文研究有向部分构成树形的SCMs。Van der Zander等人（AISTATS'22, PLMR 151, pp. 6770–6792, 2022）针对此情形的识别问题给出了一个PSPACE算法，相较通用Gröbner基方法（在结构参数数量上具有双指数时间复杂度）有显著改进。本工作中，我们提出一个随机化多项式时间算法，求解树形SCMs的识别问题。对每个结构参数，我们的算法判定其是一般可识别、一般2-可识别，还是一般不可识别。（不会出现其他情形。）在前两种情形下，它分别给出对应参数的一项或两项多项式的分数仿射平方根项（FASTPs）。
引用
@article{arxiv.2311.14058,
title = {Identification for Tree-shaped Structural Causal Models in Polynomial Time},
author = {Aaryan Gupta and Markus Bläser},
journal= {arXiv preprint arXiv:2311.14058},
year = {2024}
}