我们考虑了在存在潜在混淆变量和选择偏差的情况下,从观测数据中学习系统的因果MAG(Maximal Ancestral Graph)的问题。基于约束的方法是解决这一问题的主要方法之一,但现有方法在处理大型图时要么计算代价太高,要么缺乏完整性保证。我们提出了一种新的计算有效的递归约束方法,是健全和完整的。我们方法的关键思想是,在每次迭代中标识和删除特定类型的变量。这使我们能够高效地递归地学习结构,因为这种技术既减少了所需的条件独立(CI)测试的数量,又减少了条件集的大小。前者大大降低了计算复杂度,而后者产生了更可靠的CI测试。我们提供了最坏情况下所需CI测试数量的上限。据我们所知,这是文献中最紧的上界。我们进一步提供了任何基于约束的方法所需的CI测试数量的下界。在最坏的情况下,我们所提出的方法的上界和下界最多相差一个等于变量数的因子。我们也通过模拟与真实实验对提出的方法与当前最优算法进行了比较。

https://arxiv.org/abs/2110.12036

成为VIP会员查看完整内容
21

相关内容

【NeurIPS2021】学习用于分布外预测的因果语义表示
专知会员服务
17+阅读 · 2021年11月19日
【NeurIPS2021】序一致因果图的多任务学习
专知会员服务
19+阅读 · 2021年11月7日
专知会员服务
12+阅读 · 2021年10月12日
专知会员服务
21+阅读 · 2021年10月8日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
33+阅读 · 2021年8月9日
专知会员服务
32+阅读 · 2021年7月1日
[WWW2021]图结构估计神经网络
专知会员服务
42+阅读 · 2021年3月29日
论文浅尝 - ICLR2020 | 通过神经逻辑归纳学习有效地解释
开放知识图谱
5+阅读 · 2020年6月17日
【泡泡图灵智库】边缘化采样一致性
泡泡机器人SLAM
23+阅读 · 2019年10月14日
因果关系到底存不存在:反事实和平行宇宙
机器之心
5+阅读 · 2019年2月7日
相对的判别器:现有GAN存在关键属性缺失
论智
33+阅读 · 2018年7月4日
机器学习(16)之支持向量机原理(二)软间隔最大化
机器学习算法与Python学习
6+阅读 · 2017年9月8日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
Arxiv
10+阅读 · 2021年11月3日
Bayesian Attention Belief Networks
Arxiv
9+阅读 · 2021年6月9日
Meta Learning for Causal Direction
Arxiv
5+阅读 · 2020年7月6日
Arxiv
21+阅读 · 2019年8月21日
VIP会员
相关VIP内容
【NeurIPS2021】学习用于分布外预测的因果语义表示
专知会员服务
17+阅读 · 2021年11月19日
【NeurIPS2021】序一致因果图的多任务学习
专知会员服务
19+阅读 · 2021年11月7日
专知会员服务
12+阅读 · 2021年10月12日
专知会员服务
21+阅读 · 2021年10月8日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
33+阅读 · 2021年8月9日
专知会员服务
32+阅读 · 2021年7月1日
[WWW2021]图结构估计神经网络
专知会员服务
42+阅读 · 2021年3月29日
相关资讯
论文浅尝 - ICLR2020 | 通过神经逻辑归纳学习有效地解释
开放知识图谱
5+阅读 · 2020年6月17日
【泡泡图灵智库】边缘化采样一致性
泡泡机器人SLAM
23+阅读 · 2019年10月14日
因果关系到底存不存在:反事实和平行宇宙
机器之心
5+阅读 · 2019年2月7日
相对的判别器:现有GAN存在关键属性缺失
论智
33+阅读 · 2018年7月4日
机器学习(16)之支持向量机原理(二)软间隔最大化
机器学习算法与Python学习
6+阅读 · 2017年9月8日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
微信扫码咨询专知VIP会员