【牛津大学博士论文】用于因果学习与推理的可处理概率模型，240页pdf

这篇论文探讨了易处理概率建模原理在因果学习与推理中的应用。易处理概率建模是近年来出现的一个有前景的范式，专注于能够进行精确和高效的概率推理的概率模型。特别地，概率电路框架为基于模型结构属性的各种推理查询提供了一个系统性的语言，近期的提案则扩展了表达能力和易处理性的边界。然而，并非所有关于一个系统的信息都能通过观测变量的概率分布来捕获；例如，两个变量之间的因果方向仅凭数据是无法区分的。为了形式化这一点，Pearl的因果层次结构（也称为信息层次结构）划分了三个层次的因果查询，即关联性、干预性和反事实性，这些需要越来越多地了解由结构因果模型和相关因果图表示的底层因果系统。受此启发，我们调查了易处理因果建模的可能性；也就是说，针对因果查询类型进行精确和高效的推理。特别地，我们确定了三种场景，由模型者可用的知识量来区分：即当完整的因果图/模型可用时，当仅观测分布和可识别的因果估计量可用时，以及当对因果图存在额外的不确定性时。在这些场景中，我们提出了能够进行有效和精确因果推理的概率电路表示、结构属性和算法。这些模型与易处理概率模型有所不同，因为它们不仅可以回答不同的概率推理查询，还可以涉及不同的干预和甚至不同的因果图的因果查询。然而，我们也确定了一些关键局限性，这些局限性让人怀疑是否存在一个完全通用的易处理因果模型。我们的贡献还扩展了概率电路的理论，通过提出新的属性和电路架构，从而使得包括但不限于因果推理估计量在内的高级推理查询的分析成为可能。