论基于条件独立性发现图模型中冗余的不同概念
机器学习
2026-04-21 v3 机器学习
摘要
基于条件独立性的发现方法利用统计检验来识别表示数据集中变量独立性结构的图模型。然而，这些检验可能不可靠，且算法对错误和违反假设的情况敏感。通常，存在一些在图的构建过程中未被使用的检验。在这项工作中，我们表明这些冗余检验有潜力检测或有时纠正学习模型中的错误。但我们进一步表明，并非所有检验都包含这种额外信息，并且必须谨慎应用此类冗余检验。确切地说，我们认为，与仅从图假设得出的条件（不）独立陈述相比，那些对每个概率分布都成立的条件（不）独立陈述不太可能检测和纠正错误。
引用
@article{arxiv.2502.08531,
title = {On Different Notions of Redundancy in Conditional-Independence-Based Discovery of Graphical Models},
author = {Philipp M. Faller and Dominik Janzing},
journal= {arXiv preprint arXiv:2502.08531},
year = {2026}
}
备注
AISTATS 2026. Previous versions contained incorrect claims about partial correlations and the necessity of the condition in proposition 2