可处理概率模型中的干预与反事实：当代变换的局限性
人工智能
2020-01-30 v1
摘要
近年来，研究机器学习模型（尤其是生成模型）中与因果相关属性的兴趣日益增长。尽管动机充分，其继承了概率推断的根本计算困难，使精确推理不可处理。可处理概率模型近来亦已出现，其保证条件边缘可在与模型大小成线性的时间内计算，模型通常从数据学习。虽最初限于低树宽模型，近期的可处理模型如求和积网络 (SPNs) 与概率语句决策图 (PSDDs) 利用高效函数表示并也能刻画高树宽模型。本文提出如下技术问题：我们能否使用这些模型表示或学习的分布来执行因果查询，例如关于干预与反事实的推理？借助若干将此类模型变换为贝叶斯网络的已有思想，我们大体给出否定回答。我们表明，当将 SPNs 变换为因果图时，干预推理退化为计算边缘分布；换言之，仅可能进行平凡因果推理。对 PSDDs 情况仅略好。我们首先给出由 PSDD 构造因果图的算法，其引入增广变量。对原变量干预再次退化为边缘分布，但对增广变量干预时，可为 PSDDs 提供确定性但仍具因果语义的解释。
引用
@article{arxiv.2001.10905,
title = {Interventions and Counterfactuals in Tractable Probabilistic Models: Limitations of Contemporary Transformations},
author = {Ioannis Papantonis and Vaishak Belle},
journal= {arXiv preprint arXiv:2001.10905},
year = {2020}
}