带隐含混杂因子的关系因果发现
机器学习
2025-11-05 v2 人工智能
摘要
从真实世界的关系数据中估计因果效应往往面临挑战，因为底层因果模型和潜在混杂因子是未知的。虽然已存在多种从数据中学习带隐含混杂因子的因果模型的因果发现算法，但它们假设数据是独立同分布（i.i.d.）的，难以应用于关系数据。同样，现有的关系因果发现算法也假设因果充分性，而这在许多真实世界数据集中并不现实。为此，我们提出了 RelFCI，这是一种用于关系数据带隐含混杂因子的 sound 且 complete 的因果发现算法。我们的工作基于 Fast Causal Inference（FCI）和 Relational Causal Discovery（RCD）算法，定义新的图模型，以支持关系领域的因果发现。我们还在带隐含混杂因子的关系 d 分离方面建立了 soundness 和 completeness 的保证。我们 presenting 实验结果，表明 RelFCI 在识别带隐含混杂因子的关系因果模型中正确因果结构方面有效。
引用
@article{arxiv.2507.01700,
title = {Relational Causal Discovery with Latent Confounders},
author = {Matteo Negro and Andrea Piras and Ragib Ahsan and David Arbour and Elena Zheleva},
journal= {arXiv preprint arXiv:2507.01700},
year = {2025}
}
备注
30 pages, 19 figures. Accepted for publication at the 41st Conference on Uncertainty in Artificial Intelligence (UAI 2025). Andrea Piras and Matteo Negro contributed equally to this work