核心概念
Wir präsentieren eine allgemeine, einheitliche Methode zur lokalen kausalen Entdeckung, die sowohl zyklische als auch azyklische lineare nicht-Gausssche Modelle behandeln kann. Unsere Methode ermöglicht die exakte Identifizierung der äquivalenten lokalen gerichteten Strukturen und kausalen Stärken ausgehend vom Markov-Mantel der Zielvariablen.
要約
Die Arbeit befasst sich mit dem Problem der lokalen kausalen Entdeckung, bei dem es darum geht, die kausalen Beziehungen einer Zielvariablen und ihrer Nachbarn zu enthüllen. Im Gegensatz zu den meisten bisherigen Arbeiten, die nur teilweise gerichtete Graphen liefern und Azyklizität annehmen, präsentieren wir eine Methode, die sowohl zyklische als auch azyklische lineare nicht-Gausssche Modelle behandeln kann.
Zunächst erklären wir, warum die übliche ICA-Methode für die globale kausale Entdeckung im lokalen Kontext nicht funktioniert. Stattdessen nutzen wir die unabhängige Unterraumanalyse (ISA), um die exakte Identifizierung der äquivalenten lokalen gerichteten Strukturen und kausalen Stärken aus dem Markov-Mantel der Zielvariablen zu ermöglichen.
Wir charakterisieren die spezifische ISA-Lösung in linearen nicht-Gaussschen Modellen und zeigen, dass sie zwar nicht direkt die lokalen Kantenrichtungen und -stärken repräsentiert, aber durch geeignetes Nachverarbeiten der ISA-Lösung diese Informationen extrahiert werden können. Insbesondere können wir die Kanten in die Zielvariable und ihre Kinder exakt identifizieren.
Für den speziellen Fall azyklischer Graphen schlagen wir zusätzlich eine regressionsbasierte Variante vor, die ebenfalls theoretische Garantien bietet.
Unsere Methoden werden sowohl auf synthetischen als auch auf realen Datensätzen evaluiert und zeigen eine deutlich bessere Leistung als bestehende Ansätze für lokale kausale Entdeckung.
統計
Die Stärke der direkten kausalen Effekte von Variablen auf die Zielvariable und ihre Kinder können exakt identifiziert werden.
引用
Lokale kausale Entdeckung steht als ein effizienterer und praxisrelevanterer Ansatz im Vergleich zur globalen kausalen Entdeckung hervor.
Zyklen treten häufig in der Realität auf, z.B. in biologischen Rückkopplungsmechanismen, elektrischen Schaltungen oder ökonomischen Prozessen, und haben tiefgreifende Auswirkungen auf unser Systemverständnis.
Die meisten bisherigen Arbeiten zur kausalen Entdeckung mit Zyklen bieten keine theoretischen Garantien im Kontext der lokalen Suche.