The unit selection problem aims to find objects, called units, that optimize
a causal objective function which describes the objects' behavior in a causal
context (e.g., selecting customers who are about to churn
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。