存在潜变量时用于因果结构学习的整数规划方法
机器学习
2021-10-11 v3 最优化与控制
摘要
寻找表示一组变量之间因果关系的祖先无环有向混合图（ADMG）是因果推断研究的一个重要领域。大多数现有的基于分数的结构学习方法侧重于学习无潜变量的有向无环图（DAG）模型。近来已提出若干用于 ADMG 学习的基于分数的方法，但它们本质上是启发式的，不能保证最优解。我们提出了一种新颖的精确基于分数的方法，该方法求解整数规划（IP）公式，并为一组服从多元高斯分布的连续变量返回分数最大的祖先 ADMG。我们推广了用于 DAG 学习问题的最先进 IP 模型，并推导了新的有效不等式类以构建 ADMG 学习的 IP 模型。实证上，我们的模型可针对中等规模问题高效求解，并比最先进的基于分数的方法以及基准基于约束的方法取得更好的精度。
引用
@article{arxiv.2102.03129,
title = {Integer Programming for Causal Structure Learning in the Presence of Latent Variables},
author = {Rui Chen and Sanjeeb Dash and Tian Gao},
journal= {arXiv preprint arXiv:2102.03129},
year = {2021}
}
备注
Published in ICML 2021