关系因果模型的提升表示再探：对推理与结构学习的启示
人工智能
2015-08-18 v2 机器学习
摘要
Maier 等人 (2010) 引入了关系因果模型 (RCM) 用于表示和推断关系数据中的因果关系。一种称为抽象基图 (abstract ground graph, AGG) 的提升表示在 RCM 的推理与学习中起核心作用。Maier 等人 (2013a) 提出的从数据学习 RCM 的算法的正确性依赖于 AGG 对于关系 d-分离 (relational d-separation) 的可靠性和完备性，从而将 RCM 的学习化简为 AGG 的学习。我们重访 AGG 的定义，并指出 Maier 等人 (2013b) 中定义的 AGG 并未正确抽象所有基图。我们修订 AGG 的定义以确保其正确抽象所有基图。我们进一步表明 AGG 表示对于关系 d-分离并不完备，即 RCM 中可能存在不被 AGG 蕴含的条件独立关系。仔细考察 AGG 对关系 d-分离缺乏完备性与忠实性条件之间的关系表明，较弱的完备性概念，即 RCM 与其 AGG 之间的邻接忠实性 (adjacency faithfulness) 和定向忠实性 (orientation faithfulness)，可用于从数据学习 RCM。
引用
@article{arxiv.1508.02103,
title = {Lifted Representation of Relational Causal Models Revisited: Implications for Reasoning and Structure Learning},
author = {Sanghack Lee and Vasant Honavar},
journal= {arXiv preprint arXiv:1508.02103},
year = {2015}
}
备注
Workshop on Advances in Causal Inference, Conference on Uncertainty in Artificial Intelligence, 2015