A General Framework for Constraint-based Causal Learning

要約

プレースホルダー プロパティを介して制約ベースの因果学習アルゴリズムを表すことにより、正しさの条件を分布と真の因果グラフに関連する部分と、分布のみに依存する部分に分解します。
これは、因果学習の正しさ条件を取得するための一般的なフレームワークを提供し、次のような意味を持ちます。
PC アルゴリズムに正確な正確性条件を提供します。これは、他の既存の因果関係発見アルゴリズムの正確性条件に関連付けられます。
我々は、最も疎なマルコフ表現条件が、最大祖先グラフおよび有向非巡回グラフに対する既存の最小性概念から生じる最も弱い正確性条件であることを示す。
また、忠実性を超えた因果的学習には、パール最小性以外の追加の知識が必要であると推論します。

要約(オリジナル)

By representing any constraint-based causal learning algorithm via a placeholder property, we decompose the correctness condition into a part relating the distribution and the true causal graph, and a part that depends solely on the distribution. This provides a general framework to obtain correctness conditions for causal learning, and has the following implications. We provide exact correctness conditions for the PC algorithm, which are then related to correctness conditions of some other existing causal discovery algorithms. We show that the sparsest Markov representation condition is the weakest correctness condition resulting from existing notions of minimality for maximal ancestral graphs and directed acyclic graphs. We also reason that additional knowledge than just Pearl-minimality is necessary for causal learning beyond faithfulness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google