Learning Relational Causal Models with Cycles through Relational Acyclification

要約

相互接続されたユニット間の相互影響または因果関係を含む実世界の現象では、平衡状態は通常、グラフィカル モデルのサイクルで表されます。
グラフィカル モデルの表現力豊かなクラスであるリレーショナル因果モデルは、そのようなサイクルやフィードバック ループを示す複雑な動的システムを表現し、それについて推論することができます。
観測データから因果モデルを学習するための既存の周期的因果発見アルゴリズムは、データ インスタンスが独立しており、同じように分散されていると仮定しているため、リレーショナル因果モデルには適していません。
同時に、リレーショナル因果モデルの因果発見アルゴリズムは非周期性を前提としています。
この作業では、制約ベースのリレーショナル因果探索アルゴリズムが健全であり、循環リレーショナル因果モデルに対して完全である必要十分条件を調べます。
リレーショナル アシル化を導入します。これは、循環関係因果モデルの識別可能性についての推論を可能にするリレーショナル モデル用に特別に設計された操作です。
関係アシル化と $\sigma$ 忠実度の仮定の下で、関係因果発見アルゴリズム RCD (Maier et al. 2013) が循環モデルに対して健全で完全であることを示します。
私たちの主張を裏付ける実験結果を提示します。

要約(オリジナル)

In real-world phenomena which involve mutual influence or causal effects between interconnected units, equilibrium states are typically represented with cycles in graphical models. An expressive class of graphical models, relational causal models, can represent and reason about complex dynamic systems exhibiting such cycles or feedback loops. Existing cyclic causal discovery algorithms for learning causal models from observational data assume that the data instances are independent and identically distributed which makes them unsuitable for relational causal models. At the same time, causal discovery algorithms for relational causal models assume acyclicity. In this work, we examine the necessary and sufficient conditions under which a constraint-based relational causal discovery algorithm is sound and complete for cyclic relational causal models. We introduce relational acyclification, an operation specifically designed for relational models that enables reasoning about the identifiability of cyclic relational causal models. We show that under the assumptions of relational acyclification and $\sigma$-faithfulness, the relational causal discovery algorithm RCD (Maier et al. 2013) is sound and complete for cyclic models. We present experimental results to support our claim.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google