多粒度因果结构学习
机器学习
2023-12-13 v2 机器学习
摘要
揭示、建模并理解支撑自然现象的因果机制是众多科学学科的基础性工作。同时,从数据中发现因果关系也孕育着新知识。现有的因果学习算法主要关注变量的孤立效应,忽略了多个变量之间复杂的相互作用及其集体行为模式。此外,高维数据的普遍存在给因果算法带来了巨大的时间开销。在本文中,我们开发了一种名为 MgCSL(多粒度因果结构学习)的新方法,该方法首先利用稀疏自编码器探索从微观变量到宏观变量的粗粒化策略与因果抽象。随后,MgCSL 将多粒度变量作为输入,训练多层感知机并深入探究变量间的因果关系。为了提高在高维数据上的效能,MgCSL 引入了一个简化的无环性约束,以熟练地在变量间搜索有向无环图。实验结果表明,MgCSL 优于具有竞争力的基线方法,并在 fMRI 数据集上发现了可解释的因果连接。
引用
@article{arxiv.2312.05549,
title = {Multi-granularity Causal Structure Learning},
author = {Jiaxuan Liang and Jun Wang and Guoxian Yu and Shuyin Xia and Guoyin Wang},
journal= {arXiv preprint arXiv:2312.05549},
year = {2023}
}
备注
Accepted by the Thirty-Eighth AAAI Conference on Artificial Intelligence (AAAI2024)