Open problems in causal structure learning: A case study of COVID-19 in the UK

要約

因果関係機械学習 (ML) アルゴリズムは、因果関係について何かを伝えるグラフィック構造を回復します。
これらのアルゴリズムによって提供される因果関係の表現により、現実世界の重要な問題における意思決定に必要な透明性と説明可能性が可能になります。
しかし、因果関係 ML は、関連性 ML に比べて実際には限定的な影響しか与えていません。
この論文では、英国の COVID-19 パンデミック データに適用した因果関係 ML の課題を調査します。
私たちはさまざまな公的ソースからデータを照合し、さまざまな構造学習アルゴリズムがこれらのデータから何を学習するかを調査します。
私たちは、さまざまなクラスの学習にまたがるアルゴリズムに対するさまざまなデータ形式の影響を調査し、グラフィック構造、モデルの次元、感度分析、交絡変数、予測推論および介入推論の観点から、各アルゴリズムおよびアルゴリズムのグループによって生成された結果を評価します。
私たちはこれらの結果を使用して、因果構造学習における未解決の問題と将来の研究の方向性を強調します。
今後の作業を容易にするために、すべてのグラフ、モデル、データセット、ソースコードをオンラインで公開します。

要約(オリジナル)

Causal machine learning (ML) algorithms recover graphical structures that tell us something about cause-and-effect relationships. The causal representation praovided by these algorithms enables transparency and explainability, which is necessary for decision making in critical real-world problems. Yet, causal ML has had limited impact in practice compared to associational ML. This paper investigates the challenges of causal ML with application to COVID-19 UK pandemic data. We collate data from various public sources and investigate what the various structure learning algorithms learn from these data. We explore the impact of different data formats on algorithms spanning different classes of learning, and assess the results produced by each algorithm, and groups of algorithms, in terms of graphical structure, model dimensionality, sensitivity analysis, confounding variables, predictive and interventional inference. We use these results to highlight open problems in causal structure learning and directions for future research. To facilitate future work, we make all graphs, models, data sets, and source code publicly available online.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google