Hybrid Local Causal Discovery

要約

局所的な因果発見は、ターゲット変数の直接的な原因と影響を観察されたデータから学習し、区別することを目的としています。
既存の制約に基づいた局所因果発見方法の使用およびまたは局所因果骨格の構築において使用されますが、いずれかのルールのみを使用することは、学習した局所因果骨格でカスケードエラーを生成する傾向があり、したがって、局所因果関係の推論に影響を与えます。
一方、スコアベースのグローバルな因果発見方法を局所的な因果発見に直接適用すると、局所等価クラスが存在するため、誤った結果をランダムに返す可能性があります。
上記の問題に対処するために、HLCDと呼ばれるハイブリッドローカル因果発見アルゴリズムを提案します。
具体的には、HLCDは当初、ORルールと組み合わせて制約ベースのアプローチを使用して候補のスケルトンを取得し、スコアベースの方法を使用して、候補のスケルトンの冗長部分を排除します。
さらに、局所的な因果配向フェーズでは、HLCDは、2つの間のローカル構造スコアを比較することにより、V構造と等価クラスを区別し、それによってローカルの等価クラスによって引き起こされる方向干渉を回避します。
14のベンチマークベイジアンネットワークデータセットで7つの最先端の競合他社を使用して広範な実験を実施しましたが、実験結果は、HLCDが既存のローカル因果発見アルゴリズムを大幅に上回ることを示しています。

要約(オリジナル)

Local causal discovery aims to learn and distinguish the direct causes and effects of a target variable from observed data. Existing constraint-based local causal discovery methods use AND or OR rules in constructing the local causal skeleton, but using either rule alone is prone to produce cascading errors in the learned local causal skeleton, and thus impacting the inference of local causal relationships. On the other hand, directly applying score-based global causal discovery methods to local causal discovery may randomly return incorrect results due to the existence of local equivalence classes. To address the above issues, we propose a Hybrid Local Causal Discovery algorithm, called HLCD. Specifically, HLCD initially utilizes a constraint-based approach combined with the OR rule to obtain a candidate skeleton and then employs a score-based method to eliminate redundant portions in the candidate skeleton. Furthermore, during the local causal orientation phase, HLCD distinguishes between V-structures and equivalence classes by comparing the local structure scores between the two, thereby avoiding orientation interference caused by local equivalence classes. We conducted extensive experiments with seven state-of-the-art competitors on 14 benchmark Bayesian network datasets, and the experimental results demonstrate that HLCD significantly outperforms existing local causal discovery algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google