基于模糊知识与复杂数据互补性的弱监督因果发现
机器学习
2024-05-15 v1 机器学习
摘要
基于观测数据的因果发现对于破译复杂系统背后的因果机制具有重要意义。然而，由于先验知识质量欠佳、领域不一致以及高维小样本数据集的挑战，现有因果发现方法的有效性受到限制。为了解决这一问题，我们提出了一种名为 KEEL 的弱监督模糊知识与数据协同驱动的因果发现新方法。KEEL 采用模糊因果知识模式来封装多种类型的模糊知识，并形成相应的弱化约束。该模式不仅降低了对专业知识的依赖，还允许各种类型有限且易错的模糊知识指导因果发现。它能够增强因果发现的泛化能力和鲁棒性，特别是在高维小样本场景下。此外，我们将扩展线性因果模型（ELCM）集成到 KEEL 中，以处理多分布和不完整数据。在不同数据集上的大量实验证明了 KEEL 在准确率、鲁棒性和计算效率方面优于几种最先进的方法。在实际蛋白质信号传导过程的因果发现中，KEEL 在数据有限的情况下优于基准方法。总之，KEEL 能够有效解决因果发现任务，在提高准确率的同时降低对大量领域专业知识的需求。
引用
@article{arxiv.2405.08699,
title = {Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity},
author = {Wenrui Li and Wei Zhang and Qinghao Zhang and Xuegong Zhang and Xiaowo Wang},
journal= {arXiv preprint arXiv:2405.08699},
year = {2024}
}