面向PC式局部因果发现与控制直接效应识别的局部马尔可夫等价性
人工智能
2026-04-09 v4
摘要
识别控制直接效应（CDE）在众多科学领域中至关重要。虽然现有方法可以从因果有向无环图（DAG）中识别这些效应，但真实的DAG在实践中往往是未知的。本质图代表了由相同条件独立性集合刻画的DAG的马尔可夫等价类，提供了一种更实用、更现实的替代方案，而PC算法是使用条件独立性检验学习它们的最广泛使用的方法之一。然而，学习完整的本质图计算量大，且依赖于强且不可检验的假设。在本工作中，我们改进了PC算法，使其仅恢复识别CDE所需的那部分图。具体来说，我们引入了局部本质图（LEG），这是一种相对于目标变量定义的图结构，并提出了LocPC算法，该算法仅使用局部条件独立性检验来学习LEG。在此基础上，我们开发了LocPC-CDE，它精确提取了LEG中对于识别CDE既必要又充分的部分。与全局方法相比，我们的算法需要更少的条件独立性检验，并在更弱的假设下运行，同时保持理论保证。我们在合成数据和真实数据上展示了我们方法的有效性。
引用
@article{arxiv.2505.02781,
title = {Local Markov Equivalence for PC-style Local Causal Discovery and Identification of Controlled Direct Effects},
author = {Timothée Loranchet and Charles K. Assaad},
journal= {arXiv preprint arXiv:2505.02781},
year = {2026}
}
备注
Accepted to CleaR 2026 and to the UAI 2025 workshop on Causal Abstractions and Representations