通过偏移干预匹配期望因果状态
统计方法学
2021-10-22 v2 机器学习
机器学习
摘要
将因果系统从给定初始状态转换为期望目标状态是贯穿控制理论、生物学和材料科学等多个领域的一项重要任务。在因果模型中，此类转换可通过执行一组干预来实现。本文中，我们考虑通过主动学习来识别一种偏移干预以匹配系统期望均值的问题。我们定义了可由偏移干预识别的马尔可夫等价类，并提出了两种保证精确匹配期望均值的主动学习策略。随后，我们推导了所需干预数量的最坏情况下界，并表明这些策略对于某些图类是最优的。特别地，我们表明我们的策略可能比先前考虑的方法（其优化底层因果图的结构学习）所需干预呈指数级减少。与我们的理论结果一致，我们还通过实验证明，所提主动学习策略相较于若干基线需要更少的干预。
引用
@article{arxiv.2107.01850,
title = {Matching a Desired Causal State via Shift Interventions},
author = {Jiaqi Zhang and Chandler Squires and Caroline Uhler},
journal= {arXiv preprint arXiv:2107.01850},
year = {2021}
}