因果关联学习，Causal Relational Learning

题目： Causal Relational Learning

摘要：

因果推理是自然科学和社会科学实证研究的核心，对科学发现和知情决策至关重要。因果推理的黄金标准是进行随机对照试验;不幸的是，由于伦理、法律或成本的限制，这些方法并不总是可行的。作为一种替代方法，从观察数据中进行因果推断的方法已经在统计研究和社会科学中得到发展。然而，现有的方法严重依赖于限制性的假设，例如由同质元素组成的研究总体，这些同质元素可以在一个单平表中表示，其中每一行都被称为一个单元。相反，在许多实际环境中，研究领域自然地由具有复杂关系结构的异构元素组成，其中数据自然地表示为多个相关表。在本文中，从关系数据中提出了一个正式的因果推理框架。我们提出了一种称为CaRL的声明性语言，用于捕获因果背景知识和假设，并使用简单的Datalog类规则指定因果查询。CaRL为在关系领域中推断复杂干预的影响的因果关系和推理提供了基础。我们对真实的关系数据进行了广泛的实验评估，以说明CaRL理论在社会科学和医疗保健领域的适用性。