基于高斯过程的多任务因果学习
机器学习
2020-09-29 v1 机器学习
摘要
本文研究学习一组定义在因果模型有向无环图（DAG）上的干预函数的相关结构的问题。当我们关注联合学习 DAG 中不同变量子集上干预的因果效应时，这很有用，此类情形在医疗或运筹等领域很常见。我们提出首个多任务因果高斯过程（GP）模型，称为 DAG-GP，它允许在连续干预之间以及针对不同变量的实验之间共享信息。DAG-GP 适应数据可用性方面的不同假设，并通过定义良好的积分算子捕捉位于不同维度输入空间的函数间的相关性。我们给出理论结果，详述 DAG-GP 模型何时及如何依据 DAG 构建。我们检验了其预测质量与校准不确定性。与单任务模型相比，DAG-GP 在多种真实与合成设定中取得了最佳拟合性能。此外，当用于主动学习或贝叶斯优化等序贯决策框架时，它有助于比竞争方法更快地选择最优干预。
引用
@article{arxiv.2009.12821,
title = {Multi-task Causal Learning with Gaussian Processes},
author = {Virginia Aglietti and Theodoros Damoulas and Mauricio Álvarez and Javier González},
journal= {arXiv preprint arXiv:2009.12821},
year = {2020}
}