基于高效邻接性检验的可扩展且灵活的因果发现
机器学习
2024-06-19 v2 机器学习
摘要
为了做出准确的预测、理解机制并设计干预，我们希望从大规模数据中学习因果图。然而，所有可能的因果图的空间庞大，因此以可扩展且准确的方式搜索与数据最佳匹配的图是具有挑战性的。原则上，我们可以通过检验变量之间的条件独立性来显著减小搜索空间或完全学习图。然而，决定两个变量在因果图中是否相邻可能需要指数级的检验次数。本文构建了一种可扩展且灵活的方法，用于评估两个变量是否为因果图中的相邻变量，即可微邻接性检验（DAT）。DAT 将指数级的检验次数替换为一个在形式上等价的松弛问题。随后，它通过训练两个神经网络来求解该问题。我们基于 DAT 的图学习方法 DAT-Graph 能够从干预数据中学习。DAT-Graph 能够学习 1000 个变量的图，具有领先的准确性。使用 DAT-Graph 所学习的图，我们还构建了模型，以对大规模 RNA 测序数据上干预作用进行更精确的预测。
引用
@article{arxiv.2406.09177,
title = {Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency},
author = {Alan Nawzad Amin and Andrew Gordon Wilson},
journal= {arXiv preprint arXiv:2406.09177},
year = {2024}
}
备注
ICML 2024; Code at https://github.com/AlanNawzadAmin/DAT-graph