Causal Effect Identification in Uncertain Causal Networks

要約

因果関係の特定は因果推論文献の中核であり、対象となる因果関係のクエリを特定するための完全なアルゴリズムが提案されています。
これらのアルゴリズムの有効性は、正しく指定された因果構造にアクセスできるという限定的な仮定にかかっています。
この研究では、因果構造の確率モデルが利用できる環境を研究します。
具体的には、因果関係グラフのエッジは、たとえば、分野の専門家からの信念の程度を表す可能性がある不確実性を伴って存在します。
あるいは、エッジに関する不確実性は、特定の統計検定の信頼度を反映している可能性があります。
この設定で自然に生じる疑問は次のとおりです。このような確率グラフと対象となる特定の因果効果が与えられた場合、もっともらしさが最も高く、因果効果が特定可能なサブグラフは何でしょうか?
この質問に答えることは、エッジ ID 問題と呼ばれる NP 完全組み合わせ最適化問題を解くことになることを示します。
私たちは、この問題を近似し、現実世界のネットワークとランダムに生成されたグラフの両方に対して評価するための効率的なアルゴリズムを提案します。

要約(オリジナル)

Causal identification is at the core of the causal inference literature, where complete algorithms have been proposed to identify causal queries of interest. The validity of these algorithms hinges on the restrictive assumption of having access to a correctly specified causal structure. In this work, we study the setting where a probabilistic model of the causal structure is available. Specifically, the edges in a causal graph exist with uncertainties which may, for example, represent degree of belief from domain experts. Alternatively, the uncertainty about an edge may reflect the confidence of a particular statistical test. The question that naturally arises in this setting is: Given such a probabilistic graph and a specific causal effect of interest, what is the subgraph which has the highest plausibility and for which the causal effect is identifiable? We show that answering this question reduces to solving an NP-complete combinatorial optimization problem which we call the edge ID problem. We propose efficient algorithms to approximate this problem and evaluate them against both real-world networks and randomly generated graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google