Uncertain Priors for Graphical Causal Models: A Multi-Objective Optimization Perspective

Zidong Wang

doi:10.1109/TKDE.2025.3608723

Uncertain Priors for Graphical Causal Models: A Multi-Objective Optimization Perspective

2025-09-11

0

PRE

AI

Qingfu Zhang (Qingfu Zhang)

DOI：10.1109/TKDE.2025.3608723

原文链接

原文求助

摘要

En 中文

通过观测数据学习图因果模型可以有效地阐明变量背后的潜在因果机制。在数据集有限的情况下，建模者通常将假定为正确的先验知识作为单目标优化中的惩罚项。然而，这种方法难以有效适应复杂且不确定的先验。本文引入UpCM，从多目标优化的角度解决该问题。UpCM方法并非仅以有向无环图（DAG）作为优化目标，而是系统地评估不确定先验对特定结构的影响，融合数据驱动和知识驱动的目标。利用MOEA/D框架，它在这些目标之间实现了平衡的权衡。此外，由于不确定的先验可能引入错误约束，导致PDAG缺乏一致扩展，因此探索了最小非一致扩展。该扩展分别整合正向和负向约束，旨在逼近PDAG的真实因果性。实验结果表明，UpCM相较于基线方法在结构准确性方面取得了显著提升。在整合不确定先验时，它相对于PC_stable、GES和MAHC分别降低了7.94%、13.23%和12.8%的SHD。在下游推理任务中，UpCM优于领域专家知识图谱，归因于其能够学习可解释的因果关系，平衡数据驱动证据与先验知识。

Keyword:

Causal structure learning

multi-objective optimization

uncertain priors

Uncertain Priors for Graphical Causal Models: A Multi-Objective Optimization Perspective

摘要

期刊

机构

引用论文