Intervention and Conditioning in Causal Bayesian Networks

要約

因果モデルは、複雑なシステムを理解し、変数間の因果関係を特定するために重要です。
因果モデルは非常に人気がありますが、介入を伴う式の条件付き確率計算には大きな課題が伴います。
コーザル ベイジアン ネットワーク (CBN) の場合、Pearl は、ある範囲の確率を計算するための介入を決定するメカニズムの自律性を前提としています。
私たちは、単純だが現実的な独立性の仮定を立てることによって、介入式の確率を一意に推定できることを示します（十分研究された確率と必要性の概念を含む）。
これらの仮定がいつ適切であるかについて説明します。
重要なのは、多くの興味深いケースでは、仮定が適切であれば、これらの確率推定値は観測データを使用して評価できます。これは、実験の実施が非現実的または実行不可能なシナリオでは非常に重要です。

要約(オリジナル)

Causal models are crucial for understanding complex systems and identifying causal relationships among variables. Even though causal models are extremely popular, conditional probability calculation of formulas involving interventions pose significant challenges. In case of Causal Bayesian Networks (CBNs), Pearl assumes autonomy of mechanisms that determine interventions to calculate a range of probabilities. We show that by making simple yet often realistic independence assumptions, it is possible to uniquely estimate the probability of an interventional formula (including the well-studied notions of probability of sufficiency and necessity). We discuss when these assumptions are appropriate. Importantly, in many cases of interest, when the assumptions are appropriate, these probability estimates can be evaluated using observational data, which carries immense significance in scenarios where conducting experiments is impractical or unfeasible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google