你的假设DAG是错误的且如何应对
机器学习
2025-03-11 v2 机器学习
摘要
在假设一个表示变量之间因果关系的有向无环图（DAG）是进行因果效应估计的常见起点。现有文献通常通过假设领域专家知识或因果发现算法来证明这一假设。在实践中，Neither可能以高置信度提出单一的DAG。领域专家对是否能确定排除某些依赖关系持保留态度，或者对关系存在分歧；因果发现往往依赖自身的不可检验假设，或仅提供DAG的等价类，并且对超参数和阈值选择常常敏感。我们提出一种高效的、基于梯度的优化方法，为一组与 imperfect prior knowledge 兼容的因果图上的因果查询提供界限——即使这些图的数量太大以至于无法进行穷举枚举。我们的界限在线性和非线性合成设置以及真实数据中，对诸如平均处理效应等因果查询实现良好的覆盖率和尖锐度。我们的方法旨在为“如果你的假设DAG是错误的怎么办？”这一有效批评提供一个易于使用且广泛适用的答复。
引用
@article{arxiv.2502.17030,
title = {Your Assumed DAG is Wrong and Here's How To Deal With It},
author = {Kirtan Padh and Zhufeng Li and Cecilia Casolo and Niki Kilbertus},
journal= {arXiv preprint arXiv:2502.17030},
year = {2025}
}