存在潜变量时的在线因果结构学习

我们提出了两种在线因果结构学习算法，它们能够跟踪因果结构的变化并以动态实时方式处理数据。标准的因果结构学习算法假设在数据收集过程中因果结构不发生变化，但在现实场景中，它经常发生变化。因此，用现有的批量学习方法处理此类变化是不合适的，而应以在线方式学习结构。我们在此提出的在线因果结构学习算法可以在不重新处理整个数据集的情况下修正相关值，并利用现有模型来避免重新学习先前模型中仍然拟合数据的因果链接。所提出的算法在合成数据集和真实世界数据集上进行了测试，后者为美国的季节性调整商品价格指数数据集。在存在潜变量时，在线因果结构学习算法在学习发生变化的因果结构方面以较大优势正确且高效地超越了标准 FCI。