[论文解读] Causal Networks: Semantics and Expressiveness

Tom S. Verma, Judea Pearl|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 9被引用 100

一句话总结

本文使用图模型公理和d-分离法形式化因果网络，以表示和推理条件依赖与函数依赖。研究证明d-分离是从未知DAG中读取独立性的可靠且完备的标准，并将其表达能力扩展至统一的图形框架中，涵盖概率性和函数性关系。

ABSTRACT

Dependency knowledge of the form "x is independent of y once z is known" invariably obeys the four graphoid axioms, examples include probabilistic and database dependencies. Often, such knowledge can be represented efficiently with graphical structures such as undirected graphs and directed acyclic graphs (DAGs). In this paper we show that the graphical criterion called d-separation is a sound rule for reading independencies from any DAG based on a causal input list drawn from a graphoid. The rule may be extended to cover DAGs that represent functional dependencies as well as conditional dependencies.

研究动机与目标

• 使用图模型公理形式化因果网络中的依赖知识语义。
• 确立d-分离作为从未知DAG中读取独立性的可靠且完备标准。
• 扩展DAG的表达能力，使其能统一表示函数依赖与条件依赖。
• 在统一的图形表示下，统一概率依赖与数据库风格依赖。
• 基于公理化独立性原则，为因果推断提供形式化基础，以图形模型为依托。

提出的方法

• 使用四个图模型公理，形式化因果网络中的依赖知识。
• 应用d-分离作为图形化标准，从未知DAG中读取条件独立性。
• 将d-分离扩展至可处理同时编码条件依赖与函数依赖的DAG。
• 使用源自图模型公理化依赖的因果输入列表，构建网络。
• 使用有向无环图（DAG）作为基础结构，表示因果与统计关系。
• 在图模型依赖系统背景下，确立d-分离的可靠性和完备性。

实验结果

研究问题

• RQ1 条件独立性陈述在因果网络中如何被形式化表示并进行推理？
• RQ2 在图模型公理下，d-分离是否是从未知DAG中读取独立性的可靠且完备标准？
• RQ3 DAG能否以统一方式表示条件依赖与函数依赖？
• RQ4 基于公理化独立性的因果网络语义基础是什么？
• RQ5 图模型公理如何约束因果图形模型的结构与解释？

主要发现

• d-分离是从未知图模型导出的任意DAG中读取条件独立性的可靠且完备规则。
• 该框架可自然扩展至表示条件依赖与函数依赖的DAG。
• 本文确立了满足图模型公理的依赖知识可被DAG与d-分离忠实表示。
• 该方法为概率依赖、统计依赖与数据库风格依赖提供了统一的语义。
• 该形式化通过将图形模型建立在公理化独立性原则上，支持严谨的因果推理。
• 研究结果验证了DAG作为因果与统计关系的规范表示的有效性。