因果结构学习中的开放问题：以英国 COVID-19 为例的研究
机器学习
2023-09-07 v2 人工智能
摘要
因果机器学习（ML）算法可恢复图形结构，从而揭示某种因果与效应关系。这些算法所提供的因果表示具备透明性与可解释性，这对于关键现实问题的决策是必要的。然而，相较于关联式 ML，因果 ML 在实践中的影响仍然有限。本文以英国 COVID-19 大流行数据为例，探讨因果 ML 所面临的挑战。我们从多个公共来源收集数据，并考察各类结构学习算法从这些数据中学习到了什么。我们探索不同数据格式对跨越不同学习类别的算法之影响，并从图形结构、模型维度、敏感性分析、混杂变量、预测与干预推断等方面评估各算法及算法组所产生的结果。我们利用这些结果来凸显因果结构学习中的开放问题及未来研究方向。为促进后续工作，我们将所有图、模型、数据集与源代码公开于线上。
引用
@article{arxiv.2305.03859,
title = {Open problems in causal structure learning: A case study of COVID-19 in the UK},
author = {Anthony Constantinou and Neville K. Kitson and Yang Liu and Kiattikun Chobtham and Arian Hashemzadeh and Praharsh A. Nanavati and Rendani Mbuvha and Bruno Petrungaro},
journal= {arXiv preprint arXiv:2305.03859},
year = {2023}
}