[论文解读] Learning AMP Chain Graphs under Faithfulness

José M. Peña|arXiv (Cornell University)|Apr 24, 2012

Bayesian Modeling and Causal Inference参考文献 14被引用 4

一句话总结

本文提出了首个基于约束的算法，用于在忠实性假设下学习AMP链图，采用两阶段方法：首先通过条件独立性检验识别邻接关系，然后应用定向边规则（R1–R4）确定边的方向。主要贡献在于在忠实性假设下证明了算法的正确性，同时表明Meek猜想无法推广至AMP链图，从而削弱了在较弱假设下基于评分+搜索的方法的有效性。

ABSTRACT

This paper deals with chain graphs under the alternative Andersson-Madigan-Perlman (AMP) interpretation. In particular, we present a constraint based algorithm for learning an AMP chain graph a given probability distribution is faithful to. We also show that the extension of Meek's conjecture to AMP chain graphs does not hold, which compromises the development of efficient and correct score+search learning algorithms under assumptions weaker than faithfulness.

研究动机与目标

• 开发一种基于约束的算法，从与未知图忠实的联合概率分布中学习AMP链图。
• 在忠实性假设下建立该算法的理论正确性。
• 研究Meek猜想——评分+搜索学习方法的核心——是否适用于AMP链图。
• 阐明在弱于忠实性假设下，基于评分+搜索的方法在AMP解释下的局限性。
• 比较AMP链图与LWF链图的结构特性，特别是关于三元组等价性和忠实性。

提出的方法

• 该算法分为两个阶段：第一阶段通过使用逐渐增大的分离集来测试条件独立性，识别邻接关系。
• 若存在某个集合 S 使得 A⊥pB∣S，则移除节点 A 与 B 之间的边，从较小的分离集开始。
• 第二阶段应用四个规则（R1–R4），根据诱导子图和分离集条件来阻断或定向边。
• R1–R4规则使用阻断符号（如 ⊸）以防止错误的边方向设定，其中R3规则可处理环路而无需检查分离集。
• 该算法确保不会形成半有向环，并保持与真实图的三元组等价性。
• 通过引理证明了邻接关系和三元组的保留性，以及半有向环无法形成的性质，从而证明了算法的正确性。

实验结果

研究问题

• RQ1 能否通过基于约束的算法学习到一个与给定概率分布忠实的AMP链图？
• RQ2 Meek猜想——评分+搜索学习方法的关键——是否适用于AMP链图？
• RQ3 在独立性模型和忠实性方面，AMP链图与LWF链图的结构差异是什么？
• RQ4 R1–R4规则如何确保正确边方向的设定，同时避免引入半有向环？
• RQ5 该算法能否在弱于忠实性的假设下（如组合性）进行扩展？

主要发现

• 所提出的算法能够正确学习到与给定概率分布忠实的AMP链图。
• 该算法保持了与真实图的三元组等价性，确保了相同的独立性模型。
• 通过一个反例表明，Meek猜想无法推广至AMP链图：存在两个图 F 和 H，满足 I(H) ⊆ I(F)，但不存在有效的变换路径。
• 该算法生成了一个去标记图，但不一定是三元组等价类中最大的去标记图。
• R1–R4规则足以确保算法的正确性，但尚未证明用更简单的规则替代R3是否可行，尽管这不会影响最终输出。