从干预数据中学习因果模型的两项最优主动学习策略
统计方法学
2014-06-03 v3 离散数学
摘要
仅凭观测数据，因果有向无环图 (DAG) 只能在马尔可夫等价类范围内被识别。干预数据通常能提高可识别性；然而，干预带来的增益强烈依赖于干预目标，即被干预的变量。我们提出了针对两种不同学习目标的主动学习（即最优实验设计）策略，用于计算最优干预措施。第一种策略采用贪心方法，利用单顶点干预最大化每次干预后可确定方向的边的数量。第二种策略能在多项式时间内生成一组最小规模的任意大小目标集，以保证完全可识别性。这第二种方法证明了 Eberhardt (2008) 的一个猜想，指出了对于完全可识别性而言充分且在最坏情况下必要的无界干预目标数量。在模拟研究中，我们将这两种主动学习方法与随机干预及现有方法进行了比较，并分析了估计误差对主动学习整体性能的影响。
引用
@article{arxiv.1205.4174,
title = {Two Optimal Strategies for Active Learning of Causal Models from Interventional Data},
author = {Alain Hauser and Peter Bühlmann},
journal= {arXiv preprint arXiv:1205.4174},
year = {2014}
}