Core Concepts
Die Kernaussage dieses Artikels ist, dass durch das Lernen der Verteilung der exogenen Variablen in einem strukturellen kausalen Modell die Genauigkeit des Surrogatmodells verbessert und die kausale Bayes-Optimierung auf allgemeinere kausale Modelle erweitert werden kann.
Abstract
Der Artikel präsentiert eine neue Methode für die kausale Bayes-Optimierung (CBO), genannt EXCBO, die die Verteilung der exogenen Variablen in einem strukturellen kausalen Modell (SCM) lernt.
Zunächst wird ein Encoder-Decoder-Rahmenwerk verwendet, um die exogene Variable für jeden endogenen Knoten im SCM aus Beobachtungsdaten zu schätzen. Die gelernte Verteilung der exogenen Variable wird dann mit einer flexiblen Modellierung, wie einer Gaußmischung, approximiert.
Im Gegensatz zu bestehenden CBO-Methoden, die sich auf additive Rauschmodelle (ANM) konzentrieren, ermöglicht die flexible Modellierung der exogenen Verteilung die Erweiterung der CBO auf allgemeinere kausale Modelle.
Die Autoren zeigen theoretisch, dass die Erholung der exogenen Variablen eine genauere Approximation des SCM-Surrogatmodells ermöglicht. Außerdem wird eine theoretische Analyse der Regretgrenze des EXCBO-Algorithmus präsentiert, die zeigt, dass EXCBO eine sublineare kumulative Regretgrenze erreicht.
Experimente auf verschiedenen Datensätzen, einschließlich der Kalibrierung epidemiologischer Modelle und des COVID-19-Pooling-Tests, belegen die Leistungsfähigkeit und Vorteile des vorgeschlagenen EXCBO-Verfahrens gegenüber bestehenden Methoden.
Stats
Die Varianz der exogenen Variable U ist f 2
b (z)σ2
fc.
Der Erwartungswert des geschätzten exogenen Variables b
U ist 0.
Das geschätzte exogene Variable b
U ist unabhängig vom Elternknoten Z.
Quotes
"Unser flexibles Surrogatmodell hat den Vorteil einer besseren kausalen Inferenz in Bezug auf die CBO-Aktualisierung."
"Die Erholung der exogenen Variablen ermöglicht es uns, einen flexibleren Prior für Rauschen oder unbeobachtete versteckte Variablen zu verwenden."