相信你的 $\nabla$：基于梯度的干预目标选取用于因果发现
机器学习
2024-04-04 v5 人工智能
机器学习
统计方法学
摘要
从数据中推断因果结构是科学中一项具有根本重要性的挑战性任务。观测数据通常不足以唯一确定系统的因果结构。虽然进行干预（即实验）可以改善可识别性，但此类样本通常难以获取且代价高昂。因此，用于因果发现的实验设计方法旨在通过估计信息量最大的干预目标来最小化干预次数。在这项工作中，我们提出了一种新颖的基于梯度的干预目标选取方法，缩写为 GIT，它“相信”基于梯度的因果发现框架的梯度估计器，为干预获取函数提供信号。我们在模拟和真实世界数据集上进行了大量实验，并证明 GIT 与有竞争力的基线表现相当，在低数据量情形下超越它们。
引用
@article{arxiv.2211.13715,
title = {Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery},
author = {Mateusz Olko and Michał Zając and Aleksandra Nowak and Nino Scherrer and Yashas Annadani and Stefan Bauer and Łukasz Kuciński and Piotr Miłoś},
journal= {arXiv preprint arXiv:2211.13715},
year = {2024}
}
备注
Accepted to 37th Conference on Neural Information Processing Systems (NeurIPS 2023)