ION-C：通过约束整合重叠网络
机器学习
2024-11-08 v1 机器学习
摘要
在许多因果学习问题中，感兴趣的变量并非总是在相同的观测中全部测量到，而是分布在具有重叠变量的多个数据集上。Tillman等人提出了第一个算法，通过利用局部独立性关系来枚举与所有输入图一致的最小等价类中的真实DAG，称为ION。本文将这个问题表述为一个更高效的答案集编程（ASP）问题，称为ION-C，并使用ASP系统clingo求解。我们在具有不同大小、密度和重叠程度的随机合成图上运行ION-C算法，其中重叠程度对运行时间、输出图数量和输出集内的一致性影响最大。为了在真实世界数据上验证ION-C，我们在来自欧洲社会调查（ESS）连续两轮的数据学习到的重叠图上运行该算法，并使用一种程序进行联合独立性检验，以防止输入中的不一致性。
引用
@article{arxiv.2411.04243,
title = {ION-C: Integration of Overlapping Networks via Constraints},
author = {Praveen Nair and Payal Bhandari and Mohammadsajad Abavisani and Sergey Plis and David Danks},
journal= {arXiv preprint arXiv:2411.04243},
year = {2024}
}
备注
18 pages, 4 figures