从学习到的因果网络中估计因果效应

文章预览

本文介绍了一种新的因果效应推断方法，它不同于传统的先构建概率表达式再用观测数据评估的方法。该研究提出了一种替代方案，即直接从观测数据中学习因果贝叶斯网络（ CBN ）及其潜在变量，然后利用学习到的模型来回答因果效应查询。这种方法特别适用于离散的可观测变量。通过实验评估表明，这种基于模型完成的学习方法在大型模型中尤其有效，能够克服传统方法在计算上遇到的挑战。论文还对比分析了不同算法和技术的应用，包括期望最大化（ EM ）算法的不同实现、概率推理算法以及用于学习和推断的软件包等。 1 结构因果模型 结构因果模型(SCM)是一个四元组M = ⟨U, V, F, P(U)⟩： U：一组外生的潜在变量，它们的值受模型之外的因素影响。 V：一组内生的可观测变量，它们的值由模型中的其他变量决定。 F：一组函数fi，每个fi确定变量V ………………………………