Do Not Marginalize Mechanisms, Rather Consolidate!

要約

構造因果モデル (SCM) は、現実世界の多くのシステムの根底にある複雑な因果関係を理解するための強力なツールです。
これらのシステムのサイズが大きくなるにつれて、変数の数やそれらの間の相互作用の複雑さも増加します。
したがって、複雑になり、分析が困難になります。
これは、機械学習と人工知能のコンテキストで特に当てはまります。データ量が増え続ける中で、大規模な SCM を簡素化および圧縮するための新しい方法が求められています。
SCM を周縁化して抽象化する方法は今日すでに存在していますが、周縁化されたモデルの因果関係を破壊する可能性があります。
これを軽減するために、一貫した介入行動を維持しながら大規模な SCM を変革する因果メカニズムを統合するという概念を導入します。
統合が SCM を簡素化するための強力な方法であることを示し、計算の複雑さの軽減について議論し、統合された SCM の能力を一般化する観点を示します。

要約(オリジナル)

Structural causal models (SCMs) are a powerful tool for understanding the complex causal relationships that underlie many real-world systems. As these systems grow in size, the number of variables and complexity of interactions between them does, too. Thus, becoming convoluted and difficult to analyze. This is particularly true in the context of machine learning and artificial intelligence, where an ever increasing amount of data demands for new methods to simplify and compress large scale SCM. While methods for marginalizing and abstracting SCM already exist today, they may destroy the causality of the marginalized model. To alleviate this, we introduce the concept of consolidating causal mechanisms to transform large-scale SCM while preserving consistent interventional behaviour. We show consolidation is a powerful method for simplifying SCM, discuss reduction of computational complexity and give a perspective on generalizing abilities of consolidated SCM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google