Was ist der Unterschied zwischen kausalen Modellen und gerichtet grafischen Modellen?

Question

Was ist der Unterschied zwischen kausalen Modellen und gerichtet grafischen Modellen? Was ist der Unterschied zwischen kausalen Beziehungen und gerichtet probabilistischen Beziehungen? Genauer gesagt, was würden Sie in der Schnittstelle eines DirectedProbabilisticModel Klasse setzen, und was in einer CausalModel Klasse? Würde man erbt von dem anderen?

Answer 1

Es gibt zwei Arten von Kausalmodell : interventionellen Modelle und counterfactual Modelle . Alle gerichtete graphische Modelle können beobachtungs Vernunft. Ein interventionelle Modell ist ein gerichtetes grafisches Modell, dass Dosen Grund mit Beobachtungs- und interventionellen Beweisen. Ein counterfactual Modell kann Grund mit Beobachtungs, interventionelle und counterfactual Beweisen (Interventionen, deren Quelle Rückschlüsse innerhalb des Modells).

In einer privaten E-Mail vor ein paar Jahren, schrieb Perle mich, dass:

  

Per Definition ist ein Modell, eine Liste von Annahmen und Annahmen nie „als wahr bekannt“. Sie können durch Theorie, oder Daten oder Experimente zu begründen. Aber ihre Position in der Hierarchie bestimmt durch das, was sie behaupten, nicht, woher sie kamen.

Answer 2

Kausalitäts von Judea Pearl ist das Buch zu lesen.

Der Unterschied besteht darin, dass man kausale und der andere ist nur statistische . Vor mir als Mitglied der Tautologie Club entlassen, hört mich durch.

gerichtet, die eine probabilistische Beziehung (AKA einen vollständigen Satz von Conditional Wahrscheinlichkeitstabellen, AKA Bayesian Network) enthält nur statistische Informationen. Was bedeutet, dass alles, was Sie von der gemeinsamen Wahrscheinlichkeitstabelle ableiten, können Sie aus der gerichteten Wahrscheinlichkeits Beziehung ableiten können, nicht mehr und nicht weniger. Die beiden sind äquivalent.

Ein kausaler Zusammenhang ist etwas ganz anderes. Ein kausaler Zusammenhang (AKA-verursachende Bayes-Netzwerk) müssen angeben, was im Rahmen einer variablen Intervention geschieht. Intervention ist, wenn eine Variable, auf einen Wert außerhalb des normalen Einflusses des Modells gezwungen wird. Dies entspricht die bedingte Wahrscheinlichkeit für die erzwungene Variable ersetzt (oder Variablen, aber wir betrachten nur eine der Einfachheit halber) mit einer neuen Tabelle, in der die Variable ihren Zwang Wert mit einer Wahrscheinlichkeit von eins nimmt.

Wenn dies keinen Sinn macht, bitte folgen und ich werde klären.

In diesem Abschnitt hinzugefügt Adresse Neils Fragen in den Kommentaren

Neil fragt:

  

Wie kann man die Richtung bestimmen   gerichtet probabilistische Beziehungen   ohne Eingriffe durchführen? Im   Mit anderen Worten, nicht die Regie   grafisches Modell kausal   Informationen, die in sie (das heißt, Informationen   über Wahrscheinlichkeiten voraus,   Interventionen?)

Sie können die Richtung der gerichteten probabilistischen Beziehungen bestimmen durch zusätzliche nicht-statistischen Annahmen. Diese Annahmen häufig sind: keine versteckten Variablen unter der Annahme, und die wirklich wichtig, unter der Annahme, dass die bedingte Unabhängigkeit Beziehungen in der gemeinsamen Verteilung gefunden stabil sind (das heißt, sie existieren nicht durch Zufall oder Stornierung). Bayesian Networks tun nicht machen diese Annahmen.

Für Einzelheiten, wie die Richtungen erholen Forschung des IC, PC und IC * Algorithmen. Ich glaube, dass die spezifischen Details von IC abgedeckt sind in: "A Theory of Inferred Verursachung"

Answer 3

Wenn ich verstehe, diesen Beitrag richtig zielen lässige Modelle und gerichtet graphische Modelle (Bayesian Networks) in verschiedenen Phasen des Arbeitsablaufes. Ein lockeres Modell ist eine Möglichkeit, Abhängigkeiten zuzuweisen, so dass sie Verursachung reflektieren. Bayes-Netze liefern uns Inferenztechniken. So kann man durchführen Schätzung etwas anderes verwenden. Auf der anderen Seite kann man Bayes-Netzwerke mit verschiedenen Techniken als SCM modelliert.

Wenn Sie tiefer hinein graben, lassen Sie es uns wissen, weil ich nicht in vollem Umfang das Thema SCM verstehen (während ich mag:)

.

Answer 4

gerichtet graphische Modelle sind ein Weg von kausalen Beziehungen zwischen den Variablen, codierend. probabilistische graphische Modelle sind eine Möglichkeit, die Kausalität in einer probabilistischen Weise zu codieren. Ich würde empfehlen, diesem Buch von Judea Pearl geschrieben zu lesen, der einer der Pioniere in das Feld (den ich sehe, Sie bezieht sich auf im Papier im Kommentar erwähnt).

ein gerichteter Graph ist ein Graph, einfach (Knoten und Kanten), die ausgerichtet ist (Kanten Richtungen haben). kausale Modelle sind Modelle, die Ihnen sagen, wie Variablen gegenseitig beeinflussen, besteht eine Möglichkeit, dies zu tun gerichteten Graphen verwendet. KI-Forschung hat gezeigt, dass deterministische Kausalbeziehungen nicht ausreichend sind, kodieren Wissen über die Welt um uns herum, weil es zu unübersichtlich ist. Deshalb Wahrscheinlichkeit zu dem Bild hinzugefügt wurde.