Stable Differentiable Causal Discovery

要約

有向非巡回グラフ (DAG) として因果関係を推論することは重要ですが、困難な問題です。
Differentiable Causal Discovery (DCD) は、この問題に対する有望なアプローチであり、探索を継続的な最適化として構成します。
しかし、既存の DCD 手法は数値的に不安定で、数十の変数を超えるとパフォーマンスが低下します。
この論文では、従来の DCD 法を次の 2 つの方法で改善する新しい方法である Stable Differentiable Causal Discovery (SDCD) を提案します。(1) 非周期性に対する代替制約を採用します。
この制約は、理論的にも経験的にもより安定しており、計算が高速です。
(2) 現実世界のシナリオで一般的な、疎な因果グラフに合わせたトレーニング手順を使用します。
まず SDCD を導出し、その安定性と正確性を証明します。
次に、観察データと介入データの両方を使用し、小規模と大規模の両方の設定でそれを評価します。
SDCD は収束速度と精度の両方で既存の方法よりも優れており、数千の変数に拡張できることがわかりました。
コードは https://github.com/azizilab/sdcd で提供されます。

要約(オリジナル)

Inferring causal relationships as directed acyclic graphs (DAGs) is an important but challenging problem. Differentiable Causal Discovery (DCD) is a promising approach to this problem, framing the search as a continuous optimization. But existing DCD methods are numerically unstable, with poor performance beyond tens of variables. In this paper, we propose Stable Differentiable Causal Discovery (SDCD), a new method that improves previous DCD methods in two ways: (1) It employs an alternative constraint for acyclicity; this constraint is more stable, both theoretically and empirically, and fast to compute. (2) It uses a training procedure tailored for sparse causal graphs, which are common in real-world scenarios. We first derive SDCD and prove its stability and correctness. We then evaluate it with both observational and interventional data and on both small-scale and large-scale settings. We find that SDCD outperforms existing methods in both convergence speed and accuracy and can scale to thousands of variables. We provide code at https://github.com/azizilab/sdcd.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google