Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery

要約

データから因果構造を推測することは、科学において根本的に重要な挑戦的なタスクです。
システムの因果構造を一意に特定するには、観測データが不十分であることがよくあります。
介入 (すなわち、実験) を実施すると、識別可能性を向上させることができますが、そのようなサンプルは通常、入手が困難で費用がかかります。
したがって、因果関係を発見するための実験的デザインアプローチは、最も有益な介入ターゲットを推定することにより、介入の数を最小限に抑えることを目的としています。
この作業では、勾配ベースの因果関係発見フレームワークの勾配推定器を「信頼」して、介入獲得関数に信号を提供する、新しい勾配ベースの介入ターゲティング方法、略してGITを提案します。
シミュレートされたデータセットと実際のデータセットで広範な実験を提供し、GIT が競合するベースラインと同等のパフォーマンスを発揮し、低データ体制でそれらを上回ることを実証します。

要約(オリジナル)

Inferring causal structure from data is a challenging task of fundamental importance in science. Observational data are often insufficient to identify a system’s causal structure uniquely. While conducting interventions (i.e., experiments) can improve the identifiability, such samples are usually challenging and expensive to obtain. Hence, experimental design approaches for causal discovery aim to minimize the number of interventions by estimating the most informative intervention target. In this work, we propose a novel Gradient-based Intervention Targeting method, abbreviated GIT, that ‘trusts’ the gradient estimator of a gradient-based causal discovery framework to provide signals for the intervention acquisition function. We provide extensive experiments in simulated and real-world datasets and demonstrate that GIT performs on par with competitive baselines, surpassing them in the low-data regime.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google