学习线性结构因果模型的因果抽象
机器学习
2024-06-04 v1 人工智能
统计方法学
摘要
在不同粒度级别建模因果知识的需求出现在多种场景中。因果抽象提供了一个框架，通过关联两个不同细节级别的结构因果模型来形式化这个问题。尽管对应用因果抽象的兴趣日益增加，例如在大型机器学习模型的可解释性中，但一个因果模型可以抽象另一个因果模型的图形和参数条件尚不清楚。此外，从数据中学习因果抽象仍然是一个开放问题。在这项工作中，我们针对具有线性抽象函数的线性因果模型解决了这两个问题。首先，我们描述了低层系数和抽象函数如何决定高层系数，以及高层模型如何约束低层变量的因果顺序。然后，我们应用我们的理论结果从观测数据中学习高层和低层因果模型及其抽象函数。特别地，我们引入了Abs-LiNGAM，一种利用学习到的高层模型和抽象函数所诱导的约束来加速恢复更大的低层模型的方法，假设噪声项为非高斯。在模拟设置中，我们展示了从数据中学习因果抽象的有效性以及我们的方法在提高因果发现可扩展性方面的潜力。
关键词
引用
@article{arxiv.2406.00394,
title = {Learning Causal Abstractions of Linear Structural Causal Models},
author = {Riccardo Massidda and Sara Magliacane and Davide Bacciu},
journal= {arXiv preprint arXiv:2406.00394},
year = {2024}
}