通过关系去环化学习含环的关系因果模型

在涉及相互关联单元之间相互影响或因果效应的现实世界现象中，均衡状态通常在图模型中以环来表示。关系因果模型是一类具有表现力的图模型，能够表示并推理展现此类环或反馈回路的复杂动态系统。现有的用于从观测数据学习因果模型的含环因果发现算法假设数据实例独立同分布，这使其不适用于关系因果模型。与此同时，针对关系因果模型的因果发现算法则假设无环性。在本工作中，我们考察了基于约束的关系因果发现算法在含环关系因果模型上可靠且完备的必要条件与充分条件。我们引入关系去环化（relational acyclification），一种专为关系模型设计的操作，能够推理含环关系因果模型的可识别性。我们证明，在关系去环化与 $\sigma$-faithfulness 的假设下，关系因果发现算法 RCD（Maier 等人 2013）对含环模型是可靠且完备的。我们给出了实验结果为我们的主张提供支持。