用于马尔可夫边界学习的神经自回归流

恢复马尔可夫边界 —— 即最大化响应变量预测性能的最小变量集 —— 在许多应用中至关重要。虽然近期进展通过对局部因果结构的评分来改进传统的约束基方法, 但仍依赖于非参数估计器和启发式搜索, 缺乏可靠性的理论保证。本文调查了一个用于高效马尔可夫边界发现的框架, 将信息论中的条件熵作为评分准则。我们设计了一个新的掩码自回归网络以捕获复杂依赖关系。提出了一种基于多项式时间的可并行贪心搜索策略, 并得到分析性证据支持。我们还讨论了如何使用所学马尔可夫边界初始化图以加速因果发现的收敛。在真实数据集和合成数据集上的全面评估表明, 本方法在马尔可夫边界发现和因果发现任务中具有可扩展性和卓越性能。