利用基于条件独立性的模型检验提升 PC 算法效率
机器学习
2022-11-15 v1
摘要
学习因果结构在人工智能诸多领域（包括规划、机器人与解释）中颇有用途。基于约束的结构学习算法（如 PC）使用条件独立（CI）检验来推断因果结构。传统上，基于约束的算法偏好较小规模条件集进行 CI 检验，部分原因在于常规 CI 检验的统计功效随条件集规模增大而迅速下降。然而，许多现代条件独立检验是基于模型的，这些检验使用良好正则化的模型，即便在极大条件集下仍保持统计功效。这暗示了一种用于基于约束算法的新策略，可能减少所执行的 CI 检验总数：首先用大规模条件集检验变量对，作为预处理步骤快速发现若干条件独立性，之后再转向偏好小条件集的更常规策略。我们为 PC 算法提出这样一种预处理步骤，其依赖于在少数随机选取的大规模条件集上执行 CI 检验。我们对对应于真实系统的有向无环图（DAG）进行了实证分析，并对 Erdős-Renyi DAG 作了实证与理论分析。结果显示，预处理增强型 PC（P3PC）所执行的 CI 检验远少于原始 PC 算法，仅为单独 PC 算法所执行 CI 检验的 0.5% 至 36%，且常低于 10%。对于对应真实系统的 DAG，效率提升尤为显著。
引用
@article{arxiv.2211.06536,
title = {Improving the Efficiency of the PC Algorithm by Using Model-Based Conditional Independence Tests},
author = {Erica Cai and Andrew McGregor and David Jensen},
journal= {arXiv preprint arXiv:2211.06536},
year = {2022}
}
备注
Accepted at NeurIPS 2022 Workshop on Causality for Real-world Impact; 8 pages of main text including references