面向网络结构协变量的个性化二项 DAG 学习

数据中的因果依赖常由有向无环图 (DAG) 模型来表征，广泛应用于多个领域。因果发现旨在使用观测数据恢复 DAG 结构。本文聚焦于多变量计数数据的因果发现。我们受现实 web 访问数据启发，这类数据记录 individual user 对多个 website 的访问情况。构建因果图可以帮助理解 user 在 website 之间转换的行为，从而激发 operational 策略。建模的一个挑战在于 user 异质性，因为具有不同背景的 user 表现出不同的行为。此外，社交网络连接可能导致朋友之间表现出相似的行为。我们引入个性化二项 DAG 模型以解决异质性和网络依赖问题，这些问题在现实应用中十分常见。为了学习所提出的 DAG 模型，我们开发了一个算法，将网络结构嵌入维度降低的协变量中，学习每个节点的邻域以缩小 DAG 搜索空间，并探索 variance-mean 关系以确定排序。仿真实验表明，我们的算法在异质数据上优于最先进的竞争方法。我们在一个真实的 web 访问数据集上展示了其实际用途。