Multi-Objective Causal Bayesian Optimization

要約

意思決定の問題では、介入の結果はしばしばシステムコンポーネント間の因果関係に依存し、評価するのに非常に費用がかかります。
このような設定では、因果ベイズの最適化（CBO）は、システム変数間の因果関係を活用し、介入を順次実行して最小限のデータで最適にアプローチすることができます。
CBOをマルチアウトカム設定に拡張すると、既知のマルチターゲット因果グラフ内で微小最適介入を特定するためのパラダイムである多目的因果ベイジアン最適化（MO-CBO）を提案します。
最初に、潜在的に最適な変数セットのグラフィカルな特性評価を導き出します。
MO-CBOの問題をいくつかの従来の多目的最適化タスクに分解できることを示し、次に、相対的な過剰な改善を使用してこれらのタスク全体で順次バランスをとるアルゴリズムを導入します。
提案された方法は、合成および現実世界の両方の因果グラフで検証され、因果情報が利用可能な設定での従来の（非因果的）多目的ベイジアン最適化に対するその優位性を示します。

要約(オリジナル)

In decision-making problems, the outcome of an intervention often depends on the causal relationships between system components and is highly costly to evaluate. In such settings, causal Bayesian optimization (CBO) can exploit the causal relationships between the system variables and sequentially perform interventions to approach the optimum with minimal data. Extending CBO to the multi-outcome setting, we propose Multi-Objective Causal Bayesian Optimization (MO-CBO), a paradigm for identifying Pareto-optimal interventions within a known multi-target causal graph. We first derive a graphical characterization for potentially optimal sets of variables to intervene upon. Showing that any MO-CBO problem can be decomposed into several traditional multi-objective optimization tasks, we then introduce an algorithm that sequentially balances exploration across these tasks using relative hypervolume improvement. The proposed method will be validated on both synthetic and real-world causal graphs, demonstrating its superiority over traditional (non-causal) multi-objective Bayesian optimization in settings where causal information is available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google