含潜变量下的局部因果结构学习
机器学习
2024-06-07 v2 人工智能
摘要
从观察数据中发现因果关系尤其在存在潜变量时具有挑战性。虽然当前的局部结构学习方法在仅关注目标变量局部关系时表现有效和高效，但它们基于因果充分性假设，即测量变量的所有共同原因都被观察到，潜变量的空间留给了空白。这一前提在实际应用中很容易被违反，导致结构不准确，进而可能对下游任务产生不利影响。鉴于此，本文聚焦于从可能包含潜变量的观察数据中，局部识别目标变量的潜在父母和子代的方法。具体而言，我们利用 m-分离和 V 结构的因果信息，推导出理论一致性结果，有效地弥合了全局与局部结构学习之间的鸿沟。结合新制定的停止规则，我们提出了一种原则性的方法，用于确定一个变量是否是目标变量的直接原因或结果。进一步，我们在标准的因果马尔可夫和忠诚条件下（在无限样本下），理论上证明了我们方法的正确性。实验结果在人工合成数据和真实数据上均表明，我们方法的有效性和效率。
引用
@article{arxiv.2405.16225,
title = {Local Causal Structure Learning in the Presence of Latent Variables},
author = {Feng Xie and Zheng Li and Peng Wu and Yan Zeng and Chunchen Liu and Zhi Geng},
journal= {arXiv preprint arXiv:2405.16225},
year = {2024}
}