决策规则对因果干预的鲁棒性的可证明保证

IJCAIMay, 2021

决策规则对因果干预的鲁棒性的可证明保证

Provable Guarantees on the Robustness of Decision Rules to Causal Interventions

Benjie Wang, Clare Lyle, Marta Kwiatkowska

TL;DR本文提出了模型的鲁棒性来应对数据偏移，给出了用贝叶斯网络建模，确定参数和因果影响的干预下的最坏情况下性能的算法。实验结果表明该方法在实践网络中得出有用且可解释的范围性结论，从而可以构建出可证明因果性的鲁棒决策制定系统。

Abstract

robustness of decision rules to shifts in the data-generating process is crucial to the successful deployment of decision-making systems. Such shifts can be viewed as →

robustness decision rules causal graph bayesian networks interventions

发现论文，激发创造

因果贝叶斯网络中的干预和调节

通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。

May, 2024

贝叶斯干预优化用于因果发现

我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

Jun, 2024

使用干预学习和测试因果模型

本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

May, 2018

非目标干预下的因果发现

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024

因果游戏中干预行为的特性描述

通过在多智能体场景中回答因果询问的概率图模型，扩展因果贝叶斯网络以表示智能体的自由度和目标，放松可行干预的时间顺序限制，提出一种原始因果干预集合来研究复杂干预查询的影响，并通过考虑因果机制设计与承诺，展示到安全人工智能系统的设计。

Jun, 2024

基于贝叶斯的从未知一般干预中发现因果关系

学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

通过在概率电路上放宽约束确保置信贝叶斯网络的健壮性

研究方法来量化决策函数对于置信贝叶斯网络的鲁棒性，使得能够通过概率电路上的约束优化问题来获得 MARmax 的有保证的上限，理论上表现出不错的上限紧度，并且具有较好的可扩展性。

May, 2022

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019

概率树与单一干预价值

本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合，该文提出了概率树作为可能的解决方案。研究发现，单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法，即选择预期增益最高的干预方式，并通过几个例子予以说明；同时，该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。

May, 2022

从单变量干预推导因果顺序：保证与算法

根据数据分布的实际假设，本研究引入了干预忠实度的概念以及一种用于推断因果关系的得分，同时提出了一种名为 Intersort 的算法，能够从包含大量单变量干预的数据集中近似地优化因果顺序，为进一步改进因果推断提供了重要的潜力。

May, 2024