针对 imperfect experts 的因果发现学习 deferral 策略
机器学习
2025-02-19 v1 人工智能
机器学习
摘要
将 expert knowledge（如来自大型语言模型）集成到因果发现算法中往往面临知识不一定准确的挑战。expert 建议可能与数据驱动结果相矛盾，其可靠性会因领域或具体查询而显著变化。现有方法基于软约束或预测中的不一致性，未能考虑这些 expert 可靠性的变化。在此基础上，我们提出了 L2D-CD，一种用于评估 expert 建议正确性并最佳组合其与数据驱动因果发现结果的方法。通过为两两因果发现适配学习 deferral（L2D）算法，我们学习一个 deferral 函数，用于在基于数值数据的经典因果发现方法与基于文本 meta-data 的 expert 建议之间做出选择。我们在 canonical T"ubingen pairs 数据集上对 L2D-CD 进行评估，证明其在 isolation 下的 causal discovery method 和使用的 expert 之外表现优异。此外，我们的方法识别了 expert 表现强或弱的领域。最后，我们概述了一种将该方法推广到变量数量超过两个的图形因果发现的策略，为该领域的进一步研究指明了方向。
引用
@article{arxiv.2502.13132,
title = {Learning to Defer for Causal Discovery with Imperfect Experts},
author = {Oscar Clivio and Divyat Mahajan and Perouz Taslakian and Sara Magliacane and Ioannis Mitliagkas and Valentina Zantedeschi and Alexandre Drouin},
journal= {arXiv preprint arXiv:2502.13132},
year = {2025}
}