Marco Zaffalon, Alessandro Antonucci, Rafael Cabañas, David Huber, Dario Azzimonti
TL;DR本文介绍了从结构因果模型获得置信网,通过 Credal 网络算法计算精确的反事实边界,提出了一种因果 EM 方案实现近似边界,评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。
Abstract
We assume to be given structural equations over discrete variables inducing a
directed acyclic graph, namely, a structural causal model, together with data
about its internal nodes. The question we want to answer is how we can compute
bounds for partially identifiable counterfactual queries
讨论了 Pearlian 结构因果模型中用于限定部分可辨识查询(如反事实推断)边界的问题,并提出了一种迭代 EM 方案,通过对初始化参数进行抽样,得到这些边界的内部近似。该方法需要对共享相同结构方程和拓扑结构、但具有不同外生概率的模型进行多次(贝叶斯网络)查询,因此将底层模型编译成算术电路具有优势,从而实现了显著的推理加速。通过单一的符号知识编译,我们展示了如何获得具有符号参数的电路结构,以在计算不同查询时将其替换为实际值。此外,我们还讨论了进一步加速边界计算的并行化技术。与标准贝叶斯网络推断相比,实验证明了明显的计算优势,加速比可达一个数量级。