基于条件独立性的隐藏变量多项式延迟因果模型测试
机器学习
2025-06-30 v2 人工智能
统计方法学
机器学习
摘要
对假设的因果模型进行检验是众多因果推断任务的关键前提。一种自然的做法是检验模型中假设的条件独立关系(CIs)是否在数据中成立。虽然模型可假设指数级的 CIs（相对于变量数量），但测试全部 CIs 既不实际也不必要。因果图通过多项式空间编码这些 CIs，并产生局部马尔可夫性质，使模型测试只需测试较小子集的 CIs。基于局部性质的模型测试需要列出相关 CIs 的算法。然而，现有算法在具有隐藏变量和非参数分布的实际场景下可能指数级时间才能产生单个 CI 约束。本文提出一种包含隐藏变量的因果图的 c 组件局部马尔可夫性质(C-LMP)。虽然 C-LMP 仍可调用指数级的 CIs，我们开发了一种在多项式延迟下列出这些 CIs 的算法。据我们了解，这是首个实现对隐藏变量中任意数据分布下 CIs 多项式延迟测试的算法。实验在真实数据和合成数据上表明该算法具有实用性。
引用
@article{arxiv.2409.14593,
title = {Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies},
author = {Hyunchai Jeong and Adiba Ejaz and Jin Tian and Elias Bareinboim},
journal= {arXiv preprint arXiv:2409.14593},
year = {2025}
}
备注
34 total pages, 14 figures