Pseudo-intervention based local-to-global causal structure learning

doi:10.1016/j.neucom.2025.131185

Pseudo-intervention based local-to-global causal structure learning

2025-08-06

0

PRE

AI

DOI：10.1016/j.neucom.2025.131185

原文链接

原文求助

摘要

En 中文

因果结构学习（CSL）常面临复杂的计算挑战，而局部到全局的方法有助于使其更适用于高维数据。传统的因果结构学习算法通常通过设计复杂的干预实验获取更详细的因果关系，但这些方法计算成本高昂，甚至可能涉及伦理问题。此外，现有数据通常因噪声或样本量小导致局部骨架不对称，从而影响最终的因果结构。为解决这些问题，提出了一种基于伪干预的局部到全局因果结构学习算法。首先，提出了一种伪干预方案及相应的选择策略，通过从原始数据生成多个数据集并选择适当的子数据集来模拟不同干预场景，学习局部骨架，而无需依赖大量昂贵的干预实验。然后，设计了一个综合评分函数，用于对来自不同子数据集的因果骨架进行加权，构建加权全局骨架，该函数包含相似性权重和定量权重，以综合评估每个伪干预子数据集的代表性和充分性。从而提升了因果图的学习精度和鲁棒性。最后，基于不同阈值对加权边进行过滤，以克服因使用单一规则导致的遗漏或冗余边问题。最终，遵循评分-搜索策略对全局因果结构进行定向构建。实验结果表明，所提出的方法在多个数据集上优于现有先进算法。

Keyword:

causal structure learning

local-to-global approach

pseudo-intervention

weighted scoring function

robust causal graph construction

Pseudo-intervention based local-to-global causal structure learning

摘要

期刊

机构

引用论文