[论文解读] On Causal Discovery in the Presence of Changing Causal Models

Kun Zhang, Biwei Huang+3 more|arXiv (Cornell University)|Sep 27, 2015

Bayesian Modeling and Causal Inference参考文献 32被引用 4

一句话总结

本文提出了一套原则性框架，用于在非平稳数据下进行因果发现，其中因果机制随时间或跨领域发生变化。该框架引入了一种增强的约束基方法，用于检测非平稳变量，利用分布变化推断因果方向，并可视化因果模块的非平稳性，在合成数据和真实世界数据集上均表现出有效性。

ABSTRACT

It is commonplace to encounter nonstationary data, of which the underlying generating process may change over time or across domains. The nonstationarity presents both challenges and opportunities for causal discovery. In this paper we propose a principled framework to handle nonstationarity, and develop some methods to address three important questions. First, we propose an enhanced constraint-based method to detect variables whose local mechanisms are nonstationary and recover the skeleton of the causal structure over observed variables. Second, we present a way to determine some causal directions by taking advantage of information carried by changing distributions. Third, we develop a method for visualizing the nonstationarity of causal modules. Experimental results on various synthetic and real-world data sets are presented to demonstrate the efficacy of our methods.

研究动机与目标

• 解决在因果机制随时间或领域非平稳时的因果发现挑战。
• 开发一种方法，识别观测数据中局部机制非平稳的变量。
• 利用数据分布的变化推断因果方向，以应对传统方法失效的情况。
• 提供一种可视化工具，以理解因果模块非平稳性的性质和程度。

提出的方法

• 一种增强的约束基方法，通过在多个领域或时间点上测试条件独立性来检测非平稳变量。
• 一种通过分析条件分布如何在不同领域间变化来推断因果方向的技术，利用分布变化作为因果信号。
• 一种在非平稳条件下使用领域特定数据的条件独立性测试来恢复因果图骨架的框架。
• 一种将单个因果模块的非平稳性进行可视化的技术，展示其函数形式如何演变。
• 利用领域特定的数据划分来测试条件分布的变化，从而实现对非平稳机制的检测。
• 整合多个领域观测结果，以在非平稳条件下提升因果结构学习的鲁棒性和准确性。

实验结果

研究问题

• RQ1 我们如何检测在非平稳数据中其局部机制非平稳的变量？
• RQ2 能否利用跨领域的数据分布变化来推断因果方向？
• RQ3 我们如何可视化因果模块中非平稳性的性质和程度？
• RQ4 与现有方法相比，所提出方法在非平稳条件下恢复因果结构的性能如何？

主要发现

• 所提出的方法通过在不同领域间分析条件独立性，成功检测到合成数据和真实世界数据集中的非平稳变量。
• 该框架通过利用分布变化推断因果方向，在非平稳环境中优于标准约束基方法。
• 可视化工具有效揭示了因果模块中非平稳性的模式，有助于模型解释。
• 实验结果表明，与基线方法相比，该方法在非平稳条件下的因果结构恢复准确率得到提升。