[论文解读] Causal Feature Learning for Utility-Maximizing Agents

David Kinney, David Watson|arXiv (Cornell University)|May 18, 2020

Bayesian Modeling and Causal Inference参考文献 17被引用 7

一句话总结

本文提出了实用因果特征学习（PCFL），作为因果特征学习（CFL）的扩展，将代理特定的效用函数整合到粗粒化过程中。与仅依赖概率等价性的原始CFL不同，PCFL使用期望效用指导宏观变量的形成，避免在实用目标要求更精细区分或更粗略分组时出现错误聚类。

ABSTRACT

Discovering high-level causal relations from low-level data is an important and challenging problem that comes up frequently in the natural and social sciences. In a series of papers, Chalupka et al. (2015, 2016a, 2016b, 2017) develop a procedure for causal feature learning (CFL) in an effort to automate this task. We argue that CFL does not recommend coarsening in cases where pragmatic considerations rule in favor of it, and recommends coarsening in cases where pragmatic considerations rule against it. We propose a new technique, pragmatic causal feature learning (PCFL), which extends the original CFL algorithm in useful and intuitive ways. We show that PCFL has the same attractive measure-theoretic properties as the original CFL algorithm. We compare the performance of both methods through theoretical analysis and experiments.

研究动机与目标

• 解决因果特征学习（CFL）在宏观变量粗粒化过程中未能考虑代理实用利益的局限性。
• 证明当不考虑实用目标时，CFL可能产生错误的粗粒化——无论是过度聚类还是聚类不足。
• 提出一种系统化方法，在保持CFL测度论稳健性的同时，使宏观变量形成与期望效用最大化对齐。
• 表明新方法PCFL在一般条件下与CFL具有相同的勒贝格测度零性质，确保对参数变化的鲁棒性。

提出的方法

• PCFL通过引入效用函数 $ u(c_k, e_i) $ 扩展CFL，该函数量化因果对的价值，从而实现基于效用的粗粒化决策。
• 该方法通过效用加权的干预分布定义最优粗粒化，其中等价类不仅由概率不可区分性决定，还由期望效用等价性决定。
• 引入对混淆因子 $ oldsymbol{eta}^* $、干预 $ oldsymbol{i}^* $ 和先验权重 $ oldsymbol{eta} $ 的联合分布，并使用特征函数 $ \theta $ 识别效用基粗粒化与概率基粗粒化不一致的测度零集合。
• 核心机制采用修改后的等价关系 $ c_j \sim_{\text{opc}} c_k $ 相对于 $ E $，其定义为所有效应 $ e_i $ 上的期望效用相等，而非干预概率相等。
• 理论分析证明，效用基粗粒化与概率基粗粒化不一致的参数配置集合具有勒贝格测度零，从而保持了原始CFL框架的鲁棒性。
• 提出了一种算法程序，通过在效用加权干预分布下求解等价类，使用对 $ \boldsymbol{i}^* $、$ \boldsymbol{β}^* $ 和 $ \boldsymbol{γ} $ 的迭代精炼来计算PCFL粗粒化。

实验结果

研究问题

• RQ1 能否通过在粗粒化过程中整合代理特定的效用函数来改进因果特征学习？
• RQ2 在何种情况下标准CFL因缺乏实用考量而失效，以及此类失效能否系统性地纠正？
• RQ3 将效用整合到粗粒化中是否保持了原始CFL方法的测度论稳健性？
• RQ4 在表示准确性与决策效用方面，基于效用的粗粒化与基于概率的粗粒化相比如何？
• RQ5 在什么条件下基于效用的粗粒化与基于概率的粗粒化不一致，且此类情况在实践中有多常见？

主要发现

• PCFL避免了CFL的两类主要错误：当因果值产生不同期望效用时，仍将其错误聚类；当因果值在效用上功能等价时，却未能聚类。
• 效用基粗粒化与概率基粗粒化不一致的参数配置集合具有勒贝格测度零，意味着此类不一致在一般意义上可忽略。
• 理论框架表明，因果值的期望效用在干预下不变，当且仅当干预分布相等，这确保了在非病态情况下与概率等价性的一致性。
• 实验表明，PCFL生成的粗粒化更符合代理目标，尤其在干预分布相同但效用差异显著的情况下。
• 该方法保持了与CFL相同的数学鲁棒性，因为测度论性质在新的效用加权等价关系下得以保持。
• 基于奥卡莫托引理的代数证明确认，效用基约束的非平凡性意味着不一致集合为测度零，验证了此类例外在实践中的无关紧要性。