В чем разница между причинно-следственными и ориентированными графическими моделями?

Question

В чем разница между причинно-следственными и ориентированными графическими моделями? В чем разница между причинно-следственными и направленными вероятностными отношениями? Конкретнее, что бы вы поместили в интерфейс класса DirectedProbabilisticModel, а что в классе CausalModel? Будет ли один наследовать от другого?

Answer 1

Причинность Иудеи Перл - книга для чтения.

Разница в том, что один является причинным , а другой - просто статистическим . Перед тем, как уволить меня с должности члена тавтологического клуба, выслушайте меня до конца.

Направленные вероятностные отношения (АКА полный набор таблиц условной вероятности, Байесовская сеть АКА) содержат только статистическую информацию. Это означает, что все, что вы можете вывести из таблицы «Совместная вероятность», вы можете вывести из ориентированных вероятностных отношений, ни больше, ни меньше. Два эквивалентны.

Причинная связь - это нечто совершенно другое. Причинно-следственная связь (AKA Causal Bayesian Network) должна указывать, что происходит при любом переменном вмешательстве. Вмешательство - это когда переменная принуждается к значению вне нормального влияния модели. Это эквивалентно замене условной вероятности для вынужденной переменной (или переменных, но мы рассмотрим только одну для простоты) с новой таблицей, в которой переменная принимает принудительное значение с вероятностью один.

Если это не имеет смысла, пожалуйста, следуйте, и я уточню.

Этот раздел добавлен для ответа на вопросы Нейла в комментариях

Нил спрашивает:

Как вы можете определить направление направленные вероятностные отношения без выполнения вмешательств? В другими словами, не направленный графическая модель имеет причинно-следственную информация в нем (т.е. информация о вероятностях, обусловленных вмешательства?)

Вы можете определить направление направленных вероятностных отношений, сделав дополнительные нестатистические предположения. Эти допущения обычно включают в себя: допущение отсутствия скрытых переменных и действительно важное допущение, что условные отношения независимости, найденные в совместном распределении, стабильны (то есть они существуют не случайно или не отменяются). Байесовские сети не делают эти предположения.

Для получения подробной информации о том, как восстановить направления, исследуйте алгоритмы IC, PC и IC *. Я полагаю, что конкретные детали IC описаны в: "Теория предполагаемой причинности"

Answer 2

Существует два типа причинных моделей : интервенционных моделей и контрфактивных моделей . Все направленные графические модели могут рассуждать наблюдательно. Интервенционная модель - это ориентированная графическая модель, которая может основываться на наблюдательных и интервенционных данных. Контрфактивная модель может рассуждать с помощью наблюдательных, интервенционных и контрфактивных доказательств (вмешательств, источником которых являются выводы внутри модели).

В личном письме пару лет назад Перл написала мне, что:

По определению, модель - это список предположений, и предположения никогда не «известны как истинные». Они могут быть подтверждены теорией, данными или экспериментами. Но их положение в иерархии определяется тем, на что они претендуют, а не тем, откуда они пришли.

Answer 3

ориентированные графические модели являются способом кодирования причинно-следственных связей между переменными. вероятностные графические модели являются способом кодирования причинности вероятностным способом. Я бы порекомендовал прочитать эту книгу, написанную Иудеей Перл, одной из пионеров в этой области (о которой я вижу, вы ссылаетесь в статье, которую вы упомянули в комментарии).

ориентированный граф - это просто граф (узлы и ребра), который направлен (ребра имеют направления). Причинные модели - это модели, которые сообщают вам, как переменные влияют друг на друга, один из способов - использование ориентированных графов. Исследования ИИ показали, что детерминированные причинно-следственные связи недостаточны для кодирования знаний об окружающем нас мире, потому что они слишком грязные. Вот почему вероятность была добавлена ​​к картине.

Answer 4

Если я правильно понимаю этот пост , случайные модели и ориентированные графические модели (байесовские сети) нацелены на разные этапы рабочего процесса. Случайная модель - это способ присвоения зависимостей таким образом, чтобы они отражали причинную связь. Байесовские сети предоставляют нам методы вывода. Таким образом, можно выполнить оценку, используя что-то другое. С другой стороны, можно моделировать байесовские сети, используя методы, отличные от SCM.

Если вы углубитесь в это глубже, пожалуйста, дайте нам знать, потому что я не до конца понимаю предмет SCM (хотя я бы хотел:).