BaCaDI: Bayesian Causal Discovery with Unknown Interventions

要約

実験から因果構造を推測することは、多くの分野で中心的なタスクです。
たとえば、生物学では、最近の進歩により、薬物や遺伝子ノックアウトなどの複数の介入の下で単一細胞の発現データを取得できるようになりました。
しかし、介入の対象は不確実または不明であることが多く、観察数は限られています。
その結果、標準的な因果関係の発見方法はもはや確実に使用できなくなりました。
このギャップを埋めるために、さまざまな未知の実験的または介入的条件下で生成されたデータの根底にある因果構造を発見し、推論するためのベイジアン フレームワーク (BaCaDI) を提案します。
BaCaDI は完全に微分可能です。これにより、効率的な勾配ベースの変分推論を介して、介入ターゲットと因果構造を超える複雑な関節後部を推論できます。
合成因果発見タスクとシミュレートされた遺伝子発現データに関する実験では、BaCaDI は因果構造と介入ターゲットの特定において関連する方法よりも優れています。

要約(オリジナル)

Inferring causal structures from experimentation is a central task in many domains. For example, in biology, recent advances allow us to obtain single-cell expression data under multiple interventions such as drugs or gene knockouts. However, the targets of the interventions are often uncertain or unknown and the number of observations limited. As a result, standard causal discovery methods can no longer be reliably used. To fill this gap, we propose a Bayesian framework (BaCaDI) for discovering and reasoning about the causal structure that underlies data generated under various unknown experimental or interventional conditions. BaCaDI is fully differentiable, which allows us to infer the complex joint posterior over the intervention targets and the causal structure via efficient gradient-based variational inference. In experiments on synthetic causal discovery tasks and simulated gene-expression data, BaCaDI outperforms related methods in identifying causal structures and intervention targets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google