Differentiable Multi-Target Causal Bayesian Experimental Design

要約

バッチ設定で因果モデルを学習するためのベイジアン最適実験計画の問題に対する勾配ベースのアプローチを導入します。これは、介入に費用がかかるか危険である可能性がある有限データから因果関係を発見するための重要なコンポーネントです。
既存の方法は、実験のバッチを構築するために貪欲な近似に依存していますが、介入する単一のターゲット状態ペアを最適化するためにブラックボックス方法を使用しています。
この作業では、ブラックボックス最適化手法と貪欲なヒューリスティックを完全に破棄し、代わりに、概念的に単純なエンドツーエンドの勾配ベースの最適化手順を提案して、最適な介入のターゲットと状態のペアのセットを取得します。
このような手順により、設計空間のパラメーター化が可能になり、その複雑さのためにこれまで調査されていなかったマルチターゲット状態の介入のバッチを効率的に最適化できます。
提案された方法が、多数の合成データセットにわたる単一ターゲット設定とマルチターゲット設定の両方で、ベースラインと既存の取得戦略よりも優れていることを示しています。

要約(オリジナル)

We introduce a gradient-based approach for the problem of Bayesian optimal experimental design to learn causal models in a batch setting — a critical component for causal discovery from finite data where interventions can be costly or risky. Existing methods rely on greedy approximations to construct a batch of experiments while using black-box methods to optimize over a single target-state pair to intervene with. In this work, we completely dispose of the black-box optimization techniques and greedy heuristics and instead propose a conceptually simple end-to-end gradient-based optimization procedure to acquire a set of optimal intervention target-state pairs. Such a procedure enables parameterization of the design space to efficiently optimize over a batch of multi-target-state interventions, a setting which has hitherto not been explored due to its complexity. We demonstrate that our proposed method outperforms baselines and existing acquisition strategies in both single-target and multi-target settings across a number of synthetic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google