存在未观测变量时基于排序的因果结构学习方法
机器学习
2022-08-16 v1 统计方法学
摘要
我们提出基于排序的方法，用于在存在未观测变量时学习结构方程模型（SEM）的极大祖先图（MAG）直至其 Markov 等价类（MEC）。文献中现有的基于排序的方法通过学因果序（c-order）来恢复图。我们主张一种称为可移除序（r-order）的新排序，因其在结构学习上优于 c-order。这是因为 r-order 是适当定义的优化问题的最小化子，该问题既可精确求解（使用强化学习方法）也可近似求解（使用爬山搜索）。此外，r-order（不同于 c-order）在 MEC 中所有图之间不变，并将 c-order 作为子集包含。鉴于 r-order 集合通常显著大于 c-order 集合，优化问题更容易找到 r-order 而非 c-order。我们在真实世界与随机生成网络上评估了我们提出的方法的性能与可扩展性。
引用
@article{arxiv.2208.06935,
title = {Novel Ordering-based Approaches for Causal Structure Learning in the Presence of Unobserved Variables},
author = {Ehsan Mokhtarian and Mohammadsadegh Khorasani and Jalal Etesami and Negar Kiyavash},
journal= {arXiv preprint arXiv:2208.06935},
year = {2022}
}
备注
14 pages, 6 figures, 3 tables