【博士论文】因果发现与预测:方法与算法，101页pdf

我们不仅是现实的观察者，还是其参与者，或者说是其一部分。我们明显的干预并改变我们周围空间和时间中某些事件进程的能力是我们构建世界模型的一个基本组成部分。 在这篇博士论文中，我们提出了一种新方法来衡量一项干预措施发现因果关系的效率如何。我们引入了对我们正在建模的现实子集中每种可能干预的一般性事前评估，以便仅选择最具成本效益的干预措施，并避免在真实世界中进行不必要的系统性实验。基于这一事前评估，我们提出了一种主动学习算法，该算法使用最少成本的干预序列来识别任何给定因果模型中的因果关系。我们的算法引入了几个新颖的方面。在大多数情况下，它能够使用相对廉价的干预措施来排除许多因果模型候选，这些干预措施只测试了干预变量的一个值。此外，该算法执行的干预次数可以由因果模型候选的数量来限定。因此，较少的初始候选（或等效地，更多的先验知识）会导致较少的因果发现干预。

因果性与时间紧密相关，因为原因似乎在效果之前出现。周期性因果过程是与时间相关的因果性的一个非常有趣的案例。在这篇博士论文中，我们通过定义一种因果类比，对时间周期性因果设定进行了正式分析，这种因果类比纯粹是基于观测的动态贝叶斯网络，并为循环设定中因果效应的识别提供了一个声音和完整的算法。我们在这个框架中引入了两种类型的隐藏混淆变量，它们以截然不同的方式影响识别程序，这是动态贝叶斯网络或标准因果图中都没有的区分。