因果不充分下的过快因果推断
人工智能
2018-06-04 v1
摘要
联合概率分布的因果不充分结构（带有潜变量或隐藏变量，或带有混杂等模型）不仅是统计学，也是各类 AI 系统 intensively 研究的对象。在 AI 中，信念网络作为具有底层有向无环图结构的联合概率分布表示，因已开发出针对信念网络结构的高效推理（不确定性传播）方法而备受关注。因此已开发从数据中获取信念网络结构的算法。由于变量隐藏造成的伪迹会对所得信念网络的性能产生负面影响，带潜变量的模型已被研究，且若干用于因果不充分下学习信念网络结构的算法也已开发。遗憾的是，其中一些已知已有错误（例如 [Pearl:Verma:91] 的 IC 算法）。本文致力于另一算法，即 [Spirtes:93] 的快速因果推断（FCI）算法。通过一个专门构造的例子证明，[Spirtes:93] 中所述的该算法同样有误。该算法失败的根本原因在于临时引入网络节点间的非真实链接并意图随后移除。对于平凡依赖结构，这些非真实链接或许能被实际移除，但对于复杂结构（例如本文所述情形）则未必。我们提出了对此失败的补救方法。
引用
@article{arxiv.1806.00352,
title = {Too Fast Causal Inference under Causal Insufficiency},
author = {Mieczysław A. Kłopotek},
journal= {arXiv preprint arXiv:1806.00352},
year = {2018}
}
备注
40 pages. arXiv admin note: text overlap with arXiv:1705.10308