KGS: Causal Discovery Using Knowledge-guided Greedy Equivalence Search

要約

タイトル：知識に基づく貪欲な同値関係探索を使用した因果関係の発見（KGS）

要約：
– 観測データだけから因果関係を学ぶことは、潜在的な因果メカニズムや可能な因果グラフの検索空間に関する十分な情報を提供しないことがある。
– その結果、スコアに基づくアプローチである貪欲な同値関係探索（GES）などのアプローチでは、検索空間が指数関数的に成長することがよくある。
– 因果的エッジの存在または不在など先行の因果関係情報を活用すると、より制限された正確な検索空間に向けて発見プロセスをガイドすることができる。
– この研究では、観測データと構造的先行条件（因果的エッジ）を制約として使用する知識に基づく貪欲スコアベースの因果関係発見アプローチであるKGSを提供する。
– KGSは、任意の2つの変数の間の以下のいずれかの先行エッジ情報を活用できる：有向エッジの存在、エッジの不在、および無向エッジの存在。
– 我々は多数の合成およびベンチマークの実世界データセットでの複数の設定でKGSを評価し、実験結果は構造的な先行条件がどのタイプでも量でも有用であり、検索プロセスを改善し早期収束を導くことを示している。

要約(オリジナル)

Learning causal relationships solely from observational data provides insufficient information about the underlying causal mechanism and the search space of possible causal graphs. As a result, often the search space can grow exponentially for approaches such as Greedy Equivalence Search (GES) that uses a score-based approach to search the space of equivalence classes of graphs. Prior causal information such as the presence or absence of a causal edge can be leveraged to guide the discovery process towards a more restricted and accurate search space. In this study, we present KGS, a knowledge-guided greedy score-based causal discovery approach that uses observational data and structural priors (causal edges) as constraints to learn the causal graph. KGS is a novel application of knowledge constraints that can leverage any of the following prior edge information between any two variables: the presence of a directed edge, the absence of an edge, and the presence of an undirected edge. We extensively evaluate KGS across multiple settings in both synthetic and benchmark real-world datasets. Our experimental results demonstrate that structural priors of any type and amount are helpful and guide the search process towards an improved performance and early convergence.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI