SADA：一种支持具有理论保证的鲁棒因果发现的通用框架
人工智能
2017-07-06 v1
摘要
无干预的因果发现被认为是众多应用中的一个关键问题。现有最优方案仅适用于有大量样本可用或问题领域足够小的情形。受因果结构局部稀疏性观察的启发，我们提出一种通用的 Split-and-Merge（拆分-合并）框架，名为 SADA，以增强广泛一类因果发现算法的可扩展性。在 SADA 中，通过在变量上的稀疏因果结构寻找因果割（causal cut），将变量划分为子集。通过在子问题上运行主流因果发现算法作为基本因果求解器，可通过组合部分结果重建完整的因果结构。SADA 受益于递归划分技术，因为在相同样本数量下，每个小型子问题能生成更准确的结果。我们从理论上证明，在局部因果稀疏性和可靠的条件独立性检验条件下，SADA 总能在不牺牲准确性的前提下降低问题规模。我们还给出了即使条件独立性检验不可靠时 SADA 提升准确性的充分条件。在模拟与真实数据集上的大量实验验证了将 SADA 与现有因果发现算法结合使用在可扩展性和准确性上的改进。
引用
@article{arxiv.1707.01283,
title = {SADA: A General Framework to Support Robust Causation Discovery with Theoretical Guarantee},
author = {Ruichu Cai and Zhenjie Zhang and Zhifeng Hao},
journal= {arXiv preprint arXiv:1707.01283},
year = {2017}
}