Efficient Computation of Counterfactual Bounds

要約

有向非巡回グラフを誘導する離散変数上の構造方程式、つまり構造因果モデルが、その内部ノードに関するデータとともに与えられると仮定します。
私たちが答えたい質問は、そのような入力から部分的に特定可能な反事実クエリの境界をどのように計算できるかということです。
まず、構造的なカジュアルモデルから信用ネットワークまでの地図を与えることから始めます。
これにより、構造因果モデルのサブクラス上のクレダル ネットのアルゴリズムを介して、正確な反事実境界を計算することができます。
私たちが示すように、ポリツリー上でも因果推論が NP 困難であることを考えると、正確な計算は一般に非効率的になります。
ターゲットを設定し、因果的 EM スキームを介して境界を近似します。
近似の品質に関する信頼できる区間を提供することで、その精度を評価します。
合成ベンチマークを通じて、EM スキームがかなりの回数の実行で正確な結果をもたらすことを示します。
議論の過程で、反事実境界は構造方程式の知識がなくても計算できるというトレンドの考え方に対する無視されている制限と思われるものも指摘します。
また、緩和ケアに関する実際のケーススタディを紹介し、アルゴリズムが実際の目的でどのように容易に使用できるかを示します。

要約(オリジナル)

We assume to be given structural equations over discrete variables inducing a directed acyclic graph, namely, a structural causal model, together with data about its internal nodes. The question we want to answer is how we can compute bounds for partially identifiable counterfactual queries from such an input. We start by giving a map from structural casual models to credal networks. This allows us to compute exact counterfactual bounds via algorithms for credal nets on a subclass of structural causal models. Exact computation is going to be inefficient in general given that, as we show, causal inference is NP-hard even on polytrees. We target then approximate bounds via a causal EM scheme. We evaluate their accuracy by providing credible intervals on the quality of the approximation; we show through a synthetic benchmark that the EM scheme delivers accurate results in a fair number of runs. In the course of the discussion, we also point out what seems to be a neglected limitation to the trending idea that counterfactual bounds can be computed without knowledge of the structural equations. We also present a real case study on palliative care to show how our algorithms can readily be used for practical purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google