Adjustment Identification Distance: A gadjid for Causal Structure Learning

要約

因果関係発見アルゴリズムによって学習されたグラフの評価は困難です。2 つのグラフ間で異なるエッジの数は、因果効果について示唆する特定式に関してグラフがどのように異なるかを反映しません。
特殊なケースとして有向非巡回グラフの構造介入距離を含む、グラフ間の因果距離を開発するためのフレームワークを紹介します。
このフレームワークを使用して、改良された調整ベースの距離と、完成した部分有向非巡回グラフおよび因果順序の拡張を開発します。
距離を効率的に計算するための多項式時間到達可能性アルゴリズムを開発します。
私たちのパッケージ gadjid (https://github.com/CausalDisco/gadjid のオープンソース) では、距離の実装を提供しています。
これらは構造的介入距離よりも桁違いに速いため、これまでは法外だったグラフ サイズに合わせて因果関係を発見するための成功指標を提供します。

要約(オリジナル)

Evaluating graphs learned by causal discovery algorithms is difficult: The number of edges that differ between two graphs does not reflect how the graphs differ with respect to the identifying formulas they suggest for causal effects. We introduce a framework for developing causal distances between graphs which includes the structural intervention distance for directed acyclic graphs as a special case. We use this framework to develop improved adjustment-based distances as well as extensions to completed partially directed acyclic graphs and causal orders. We develop polynomial-time reachability algorithms to compute the distances efficiently. In our package gadjid (open source at https://github.com/CausalDisco/gadjid), we provide implementations of our distances; they are orders of magnitude faster than the structural intervention distance and thereby provide a success metric for causal discovery that scales to graph sizes that were previously prohibitive.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google