Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery

要約

データから因果構造を推測することは、科学において基本的に重要な挑戦的課題である。観察データは、システムの因果構造を一意に特定するには不十分であることが多い。介入（すなわち実験）を実施することで同定可能性を向上させることができるが、そのようなサンプルを得ることは通常困難であり、費用もかかる。したがって、因果発見のための実験デザインアプローチは、最も有益な介入対象を推定することにより、介入回数を最小化することを目的とする。本研究では、介入獲得関数のシグナルを提供するために、勾配ベースの因果関係探索フレームワークの勾配推定量を「信頼」する、新規な勾配ベースの介入ターゲティング法（略称GIT）を提案する。模擬データと実データを用いた広範な実験を行い、GITが競合するベースラインと同等の性能を示し、低データ領域ではそれらを上回ることを実証する。

要約(オリジナル)

Inferring causal structure from data is a challenging task of fundamental importance in science. Observational data are often insufficient to identify a system’s causal structure uniquely. While conducting interventions (i.e., experiments) can improve the identifiability, such samples are usually challenging and expensive to obtain. Hence, experimental design approaches for causal discovery aim to minimize the number of interventions by estimating the most informative intervention target. In this work, we propose a novel Gradient-based Intervention Targeting method, abbreviated GIT, that ‘trusts’ the gradient estimator of a gradient-based causal discovery framework to provide signals for the intervention acquisition function. We provide extensive experiments in simulated and real-world datasets and demonstrate that GIT performs on par with competitive baselines, surpassing them in the low-data regime.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL