Differentiable Multi-Target Causal Bayesian Experimental Design

要約

この問題は、介入にコストやリスクがかかる有限のデータから因果関係を発見するために重要な要素である。既存の方法は、実験バッチを構築するために貪欲な近似に依存し、介入する単一のターゲット状態のペアを最適化するためにブラックボックス法を使用している。本研究では、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、最適な介入対象状態ペアのセットを取得する、概念的にシンプル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ます。このような手順により、設計空間のパラメータ化が可能となり、複雑であるためこれまで検討されてこなかった、複数の標的状態への介入を効率的に最適化することができる。我々は、提案する方法が、多くの合成データセットにおいて、シングルターゲットとマルチターゲットの両方の設定において、ベースラインと既存の取得戦略を上回ることを実証する。

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, DeepL