基于干预的线性高斯多树模型学习
机器学习
2023-11-09 v1 机器学习
摘要
我们提出一种一致且高度可扩展的局部方法，利用具有已知干预目标的干预实验数据来学习线性高斯多树的因果结构。我们的方法首先学习多树的骨架，然后确定其边的方向。输出为一个 CPDAG，表示真实底层分布的多树的干预等价类。我们使用的骨架与定向恢复过程依赖于二阶统计量与低维边际分布。我们在合成数据集的不同场景下评估了方法的性能，并将算法应用于学习基因表达干预数据集中的多树。我们的模拟研究表明该方法快速，在结构汉明距离方面具有良好精度，并能处理数千节点的问题。
引用
@article{arxiv.2311.04636,
title = {Learning Linear Gaussian Polytree Models with Interventions},
author = {D. Tramontano and L. Waldmann and M. Drton and E. Duarte},
journal= {arXiv preprint arXiv:2311.04636},
year = {2023}
}
备注
To be published in: IEEE Journal on Selected Areas in Information Theory, Special Issue: Causality: Fundamental Limits and Applications