Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery

要約

微分可能な因果発見のための解釈可能でモデルに依存しないスキームである Dagma-DCE を紹介します。
微分可能な因果関係の発見における現在のノンパラメトリックまたはオーバーパラメトリックな方法は、因果関係の包含または除外を正当化するために「独立性」の不透明な代用を使用します。
我々は、これらの代用値が実際の因果関係の強さとは恣意的に異なる可能性があることを理論的および経験的に示します。
\textsc{Dagma-DCE} は、既存の微分可能な因果発見アルゴリズムと並行して、解釈可能な因果強度の尺度を使用して重み付けされた隣接行列を定義します。
多数のシミュレートされたデータセットで、私たちの手法が最先端レベルのパフォーマンスを達成することを示しました。
さらに、 \textsc{Dagma-DCE} がドメイン専門家による原則に基づいたしきい値処理とス​​パース性ペナルティを可能にすることも示します。
私たちのメソッドのコードは、https://github.com/DanWaxman/DAGMA-DCE でオープンソースで入手でき、任意の微分可能モデルに簡単に適用できます。

要約(オリジナル)

We introduce Dagma-DCE, an interpretable and model-agnostic scheme for differentiable causal discovery. Current non- or over-parametric methods in differentiable causal discovery use opaque proxies of “independence” to justify the inclusion or exclusion of a causal relationship. We show theoretically and empirically that these proxies may be arbitrarily different than the actual causal strength. Juxtaposed to existing differentiable causal discovery algorithms, \textsc{Dagma-DCE} uses an interpretable measure of causal strength to define weighted adjacency matrices. In a number of simulated datasets, we show our method achieves state-of-the-art level performance. We additionally show that \textsc{Dagma-DCE} allows for principled thresholding and sparsity penalties by domain-experts. The code for our method is available open-source at https://github.com/DanWaxman/DAGMA-DCE, and can easily be adapted to arbitrary differentiable models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google