存在潜变量与选择偏差时的递归因果结构学习
机器学习
2021-10-26 v1
摘要
我们考虑在存在潜变量和选择偏差时从观测数据学习系统的因果 MAG 的问题。基于约束的方法是解决该问题的主要途径之一，但现有方法在处理大图时计算上不实用，或缺乏完备性保证。我们提出一种新颖的计算高效递归基于约束的方法，其可靠且完备。我们方法的核心思想是在每次迭代中识别并移除一类特定变量。这使我们能够高效且递归地学习结构，因为该技术减少了所需的条件独立（CI）测试数量和条件集大小。前者大幅降低计算复杂度，后者带来更可靠的 CI 测试。我们给出了最坏情况下所需 CI 测试数量的上界。据我们所知，这是文献中最紧的界。我们进一步给出了任何基于约束的方法所需 CI 测试数量的下界。我们提出方法的上界与下界在最坏情况下至多相差一个等于变量数量的因子。我们提供了实验结果，以在合成与真实结构上将所提方法与最先进方法进行比较。
引用
@article{arxiv.2110.12036,
title = {Recursive Causal Structure Learning in the Presence of Latent Variables and Selection Bias},
author = {Sina Akbari and Ehsan Mokhtarian and AmirEmad Ghassami and Negar Kiyavash},
journal= {arXiv preprint arXiv:2110.12036},
year = {2021}
}
备注
23 pages, 5 figures, NeurIPS 2021