ML4C:透过潜在邻域观测因果性

Haoyue Dai; Rui Ding; Yuanyuan Jiang; Shi Han; Dongmei Zhang

ML4C:透过潜在邻域观测因果性

机器学习 2023-04-18 v4 机器学习

作者: Haoyue Dai , Rui Ding , Yuanyuan Jiang , Shi Han , Dongmei Zhang

摘要

监督因果学习(SCL)旨在利用先前所见且关联真实因果关系的数据库从观测数据中学习因果关系。本文首次尝试解决一个基本问题:监督带来了什么益处,又是如何带来益处的?从认识到若学习目标在先验上不可辨识则SCL不优于随机猜测出发,我们提出一种显式考虑结构可辨识性的两阶段SCL范式。遵循该范式,我们解决离散数据上的SCL问题并提出ML4C。ML4C的核心是一个具有新颖学习目标的二分类器:它分类一个非屏蔽三元组(UT)是否为v-结构。具体地,从给定骨架的输入数据集出发,一旦某UT被分类为v-结构,ML4C即对其定向。这些v-结构共同用于构建最终输出。为回答SCL的基本问题,我们提出一种ML4C特征化的原则性方法:我们利用给定UT的邻域(即骨架中UT的邻居),并通过考虑邻域内的条件依赖与结构纠缠推导特征。我们进一步证明ML4C渐近正确。最后但同样重要的是,在基准数据集上的详尽实验表明,ML4C在准确性、可靠性、鲁棒性与容差方面显著优于其他最先进算法。总之,ML4C在验证监督对因果学习的有效性方面展现出有前景的结果。我们的代码公开于https://github.com/microsoft/ML4C。

关键词

监督因果学习结构可辨识性 v-结构非屏蔽三元组潜在邻域因果发现二分类器

引用

@article{arxiv.2110.00637,
  title  = {ML4C: Seeing Causality Through Latent Vicinity},
  author = {Haoyue Dai and Rui Ding and Yuanyuan Jiang and Shi Han and Dongmei Zhang},
  journal= {arXiv preprint arXiv:2110.00637},
  year   = {2023}
}

备注

causal discovery, supervised causal learning, vicinity, identifiability, learnability

ML4C:透过潜在邻域观测因果性

摘要

关键词

引用

备注

相关论文