背door路径对因果链接预测的影响
人工智能
2024-10-22 v1
摘要
当前的因果链接预测方法使用加权因果关系。对于给定的因果实体间链接，共因子的存在会影响因果链接预测，可能导致虚假和不准确的结果。我们旨在通过背door路径调整来阻断这些共因子。背door路径是连接“因果实体”与“结果实体”通过其他变量的非因果关联流。消除这些路径可确保更准确的因果链接预测。本文提出了CausalLPBack方法，通过消除背door路径并使用知识图谱链接预测方法来进行因果链接预测。它扩展了因果性在神经符号框架中的表示，使其能够采用和使用传统因果AI概念和方法。我们使用仿真视频的因果推理基准数据集进行演示。评估涉及一种独特的数据集划分方法，称为适用于因果链接预测的马尔可夫分割方法。该方法的评估显示，由于背door路径对基线和加权因果关系引入的偏差，CausalLPBack在MRR和Hits@K上分别提升至少30%和16%。
引用
@article{arxiv.2410.14680,
title = {Influence of Backdoor Paths on Causal Link Prediction},
author = {Utkarshani Jaimini and Cory Henson and Amit Sheth},
journal= {arXiv preprint arXiv:2410.14680},
year = {2024}
}