Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Prueba de modelos causales con variables ocultas en retardo polinomial mediante independencias condicionales

Created by
  • Haebom

Autor

Hyunchai Jeong, Adiba Ejaz, Jin Tian, ​​​​Elias Bareinboim

Describir

Este artículo aborda el problema de verificar un modelo causal hipotético basado en datos observacionales. El modelo causal asume independencia condicional (IC), y verificar todos los IC anteriores resulta computacionalmente ineficiente. Por lo tanto, en este artículo, proponemos la propiedad local de Markov de c componentes (C-LMP) para grafos causales con variables ocultas y reducimos el número de IC necesarios para su verificación. Incluso con la C-LMP, es posible que aún sea necesario verificar muchos IC, por lo que en este artículo desarrollamos un algoritmo de retardo polinomial que lista estos IC a intervalos de tiempo polinomiales. Demostramos la viabilidad del algoritmo mediante experimentos con datos reales y sintéticos.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un algoritmo eficiente para probar la independencia condicional (IC) en gráficos causales que contienen variables ocultas.
◦
Lograr velocidades computacionales aplicables al análisis de datos del mundo real a través de algoritmos de retardo polinomial.
◦
La practicidad del algoritmo se verifica mediante experimentos con datos reales y sintéticos.
•
Limitations:
◦
El hecho de que el propio C-LMP todavía pueda contener muchos CI (aunque es más eficiente que los métodos existentes, el problema de complejidad computacional aún no está completamente resuelto).
◦
El rendimiento de un algoritmo puede verse afectado por el tamaño de los datos y la complejidad del gráfico.
◦
Es posible que sólo funcione de manera eficiente para ciertos tipos de gráficos causales o distribuciones de datos.
👍
Made with Slashpage