Shapley-PC: Constraint-based Causal Structure Learning with Shapley Values

要約

因果構造学習 (CSL) は因果発見とも呼ばれ、データ内の変数間の因果関係を抽出することになります。
CSL を使用すると、観測データのみから因果関係を推定できるため、実際の実験を行う必要がなくなります。
制約ベースの CSL は、条件付き独立性テストを活用して因果関係の発見を実行します。
我々は、観察された条件付き（独立）依存性の原因となる変数を決定するために、可能な条件セットに対して Shapley 値を使用することにより、制約ベースの CSL アルゴリズムを改善する新しい方法である Shapley-PC を提案します。
私たちは Shapley-PC の健全性、完全性、漸近的一貫性を証明し、提案したアルゴリズムが既存のバージョンの PC よりも優れていることを示すシミュレーション研究を実行します。

要約(オリジナル)

Causal Structure Learning (CSL), also referred to as causal discovery, amounts to extracting causal relations among variables in data. CSL enables the estimation of causal effects from observational data alone, avoiding the need to perform real life experiments. Constraint-based CSL leverages conditional independence tests to perform causal discovery. We propose Shapley-PC, a novel method to improve constraint-based CSL algorithms by using Shapley values over the possible conditioning sets, to decide which variables are responsible for the observed conditional (in)dependences. We prove soundness, completeness and asymptotic consistency of Shapley-PC and run a simulation study showing that our proposed algorithm is superior to existing versions of PC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google