Core Concepts
Dieser Artikel präsentiert einen rein syntaktischen Algorithmus zur Identifizierung kausaler Effekte in kategorietheoretischen Modellen, der ohne Wahrscheinlichkeitstheorie auskommt und somit auf eine breitere Klasse von Anwendungen anwendbar ist.
Abstract
Der Artikel führt ein kategorietheoretisches Rahmenwerk ein, um kausale Modelle zu beschreiben, die über die Grenzen der klassischen Wahrscheinlichkeitstheorie hinausgehen. Ausgehend von einer Darstellung azyklisch gerichteter gemischter Graphen (ADMGs) als monoidal-kategorielle Signaturen, wird ein rein syntaktischer Algorithmus zur kausalen Identifizierung entwickelt.
Dieser Algorithmus basiert auf Fixierungsoperationen auf den Signaturen und ermöglicht es, interventionelle Verteilungen rein syntaktisch zu berechnen, ohne auf Wahrscheinlichkeitstheorie zurückgreifen zu müssen. Der Algorithmus wird anhand von Beispielen für Back-Door- und Front-Door-Adjustierung sowie einem komplexeren Modell illustriert.
Der Ansatz ermöglicht es, kausale Inferenz in einer breiteren Klasse von Anwendungen durchzuführen, in denen Wahrscheinlichkeitstheorie nicht anwendbar ist, wie z.B. in Datenbanken, Hardware-Beschreibungssprachen oder modernen Maschinenlernalgorithmen.
Stats
Keine relevanten Statistiken oder Zahlen im Artikel enthalten.
Quotes
"Causal identification in causal Bayes nets (CBNs) is an important tool in causal infer-
ence allowing the derivation of interventional distributions from observational distributions
where this is possible in principle."
"However, most existing formulations of causal identification using techniques such as d-separation and do-calculus are expressed within the
mathematical language of classical probability theory on CBNs. However, there are many
causal settings where probability theory and hence current causal identification techniques
are inapplicable such as relational databases, dataflow programs such as hardware descrip-
tion languages, distributed systems and most modern machine learning algorithms."