统计学 > 机器学习
[提交于 2024年7月1日
]
标题: 关于具有潜在变量的因果结构,可以通过观察和干预探查方案学到的一切
标题: Everything that can be learned about a causal structure with latent variables by observational and interventional probing schemes
摘要: 在带有潜变量的因果结构之间,哪些类型的差异无法通过探测每个可见变量所获得的统计数据来区分?如果探测方案仅仅是被动观察,那么众所周知,许多不同的因果结构可以产生相同的联合概率分布。例如,对于两个可见变量的最简单情况,我们无法区分一个变量是否是另一个变量的因果父节点,还是这两个变量共享一个潜变量的共同原因。然而,如果我们能够使用更强大的探测方案(例如干预其中一个变量并观察另一个变量),则可以区分这两种因果结构。在这里,我们探讨即使在对可见变量实施了最具信息量的探测方案的情况下,哪些因果结构仍然无法区分。我们发现,两种因果结构无法区分当且仅当它们都与相同的mDAG结构(如Evans(2016)定义的那样)相关联。我们也考虑了一种因果结构在某种意义上支配另一种因果结构的问题,即在给定的探测方案下,前者能够实现后者所能实现的所有联合概率分布。(因果结构的等价性是相互支配这一概念的特例。)最后,我们研究了可以在多大程度上减弱作用于可见变量上的探测方案,但仍保持与最大信息量探测方案相同的辨别能力。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.