用于因果发现算法评估的神经病理性疼痛诊断模拟器

从观测数据中发现因果关系对许多科学学科和现实应用至关重要。然而，与其他机器学习算法不同，后者的发展因大量可用基准数据集而大大受益，因果发现算法却因已知真实因果关系的可用数据集极少而难以系统评估，这是众所周知的难题。在这项工作中，我们通过构建医学场景下的灵活模拟器来处理因果发现算法的评估问题。我们开发了一个神经病理性疼痛诊断模拟器，其灵感来源于神经病理生理学的生物过程已被充分研究且因果影响已被很好理解这一事实。我们的模拟器利用了神经病理性疼痛病理的因果图，其生成器中的参数根据真实患者病例估计。我们表明，由我们的模拟器生成的数据与真实世界数据具有相似的统计特性。一个明显的优势是，该模拟器可以产生无限样本而不损害真实世界患者的隐私。我们的模拟器为评估各类因果发现算法提供了天然工具，包括那些处理因果发现中实际问题的算法，如未知混杂因素、选择偏差和缺失数据。利用我们的模拟器，我们在多种设置下对因果发现算法进行了广泛评估。