[论文解读] Probabilistic Evaluation of Sequential Plans from Causal Models with Hidden Variables

Judea Pearl, James M. Robins|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 14被引用 138

一句话总结

本文提出了一种图形准则，用于在存在未测量的混杂因素时，判断是否可仅从被动观察数据中评估顺序计划的效果。它利用因果图中的 do-演算和 m-分离，为实现目标的概率提供了闭式表达式，当该准则满足时，可在无需干预数据的情况下实现有效的反事实推断。

ABSTRACT

The paper concerns the probabilistic evaluation of plans in the presence of unmeasured variables, each plan consisting of several concurrent or sequential actions. We establish a graphical criterion for recognizing when the effects of a given plan can be predicted from passive observations on measured variables only. When the criterion is satisfied, a closed-form expression is provided for the probability that the plan will achieve a specified goal.

研究动机与目标

• 解决在未测量混杂因素影响结果时评估顺序计划的挑战。
• 确定仅从被动观察数据中可识别计划效果的条件。
• 开发一个正式准则，用于判断在无需实验干预时是否可计算反事实概率。
• 为在给定计划下实现目标的概率提供闭式表达式。
• 将 do-演算扩展至处理因果模型中的顺序动作和隐变量。

提出的方法

• 使用有向无环图（DAGs）表示因果关系，包括未测量变量。
• 应用 do-演算以识别干预分布能否用观察分布表示。
• 采用 m-分离准则以确定在存在潜变量情况下的条件独立性。
• 利用 do-演算和条件概率规则，推导出在顺序计划下实现目标概率的闭式表达式。
• 提出一种基于 d-分离和 m-分离的图形准则，以评估从观察数据中识别计划效果的可能性。
• 在 UAI 1995 年会议论文上验证该方法，证明其在现实世界因果推断问题中的应用。

实验结果

研究问题

• RQ1 在什么条件下，可仅使用被动观察数据评估顺序计划的效果？
• RQ2 在因果计划的概率评估中，如何处理未测量的混杂因素？
• RQ3 当存在隐变量时，能否为给定计划下实现目标的概率推导出闭式表达式？
• RQ4 何种图形准则可确保从观察数据中可识别计划成功概率？
• RQ5 do-演算框架如何扩展以处理因果模型中的顺序动作和潜变量？

主要发现

• 基于 m-分离和 d-分离的图形准则，可在存在未测量混杂因素时，从观察数据中识别计划效果。
• 本文证明，当该准则满足时，可在顺序计划下以闭式表达式计算实现目标的概率。
• 该方法可在无需实验干预或完整联合分布知识的情况下，实现有效的反事实推断。
• 该方法将 do-演算推广至处理顺序动作和潜变量，扩展了其在现实世界决策中的适用性。
• 结果在 UAI 1995 年基准问题上得到验证，确认了该方法的正确性和实用性。
• 该框架使研究人员能够在随机试验不可行或不道德的环境中评估计划的可行性。