带干预约束的线性因果发现

于红博

摘要: 将因果知识和机制纳入因果模型是精炼因果模型和改进下游任务（如设计新治疗方法）的关键。在本文中，我们引入了因果发现中的一个新概念，称为干预约束，与干预性数据有根本不同。干预性数据需要直接扰动变量，而干预约束以不等式约束的形式编码高级因果知识，如在Sachs数据集中（Sachs等人，2005），已经显示PIP3可以激活Akt，意味着PIP3对Akt产生正向因果效应。现有的因果发现方法允许施加结构约束（例如，要求从PIP3到Akt的因果路径），但它们仍可能产生不正确的因果结论，如学习到“PIP3抑制Akt”。干预约束通过显式约束变量对之间的总因果效应来弥合这一差距，确保学习的模型遵循已知的因果影响。为了形式化干预约束，我们提出了一个度量线性因果模型的总因果效应的指标，并将问题形式化为一个受约束的优化任务，使用两阶段受约束优化方法进行求解。我们在现实世界数据集上评估了我们的方法，并证明整合干预约束不仅提高了模型的准确性并确保与已建立的发现一致，使模型更具解释性，而且还促进了发现否则难以识别的新因果关系。

更新时间: 2025-10-30 10:49:25

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2510.26342v1