Constrained Causal Bayesian Optimization

要約

我々は、制約付き因果ベイズ最適化 (cCBO) を提案します。これは、既知の因果グラフ内で、いくつかの制約の下でターゲット変数を最適化する介入を見つけるためのアプローチです。
cCBO はまず、グラフ構造と、利用可能な場合は観測データセットを利用して検索スペースを削減します。
次に、ガウス プロセスを使用してターゲット量と制約量をモデル化し、制約付き期待改善取得関数を介して介入を順次選択することによって、制限付き最適化問題を解決します。
私たちは、観察データと介入データを統合しながら、洗練度のレベルを上げながら効果間の相関関係を捉えることを可能にするさまざまな代理モデルを提案します。
人工および現実世界の因果関係グラフで cCBO を評価し、高速収束と実現可能な介入の割合との間のトレードオフが成功していることを示します。

要約(オリジナル)

We propose constrained causal Bayesian optimization (cCBO), an approach for finding interventions in a known causal graph that optimize a target variable under some constraints. cCBO first reduces the search space by exploiting the graph structure and, if available, an observational dataset; and then solves the restricted optimization problem by modelling target and constraint quantities using Gaussian processes and by sequentially selecting interventions via a constrained expected improvement acquisition function. We propose different surrogate models that enable to integrate observational and interventional data while capturing correlation among effects with increasing levels of sophistication. We evaluate cCBO on artificial and real-world causal graphs showing successful trade off between fast convergence and percentage of feasible interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google