🔥 今日值得一读
零样本在线因果学习新突破：FOCUS实现干预分配最优下界匹配
FOCUS: Fixed-Confidence Online Causal Learning Using Sequential Adaptive Interventions
👨💼 主理人解读 · 为什么值得关注
适合从零开始在线设计干预实验，逐步恢复因果DAG与边权，用于A/B实验与因果推断。
📖 AI 总结
本文研究在无任何历史观测数据条件下的全在线固定置信度因果发现。学习者从零样本出发，在线性高斯结构方程模型下，通过序贯选择干预来同时恢复因果有向无环图及其边权重。作者为任意满足(ε,δ)正确性的算法建立了依赖于具体实例的下界，并提出FOCUS算法，借助在线极大极小博弈自适应地分配干预。其关键贡献在于给出了一个可计算的集中不等式，用于处理跨干预共享因果参数所累积的KL散度。理论证明FOCUS满足(ε,δ)正确性，且其期望停止时间在下界所要求的Θ(log(1/δ))依赖关系上达到匹配，仅相差一个与实例相关的常数。实验验证了该算法在结构和边权重恢复上的改进，并证实了预测的停止时间趋势。
🔑 关键词速览
| 固定置信度因果发现 | 在给定误差概率δ和精度ε下，以高置信度识别因果结构，并保证停止时间有限。 |
| 线性-高斯结构方程模型 | 一种因果模型，其中每个变量是其父节点变量的线性组合加上高斯噪声。 |
| 在线最大-最小博弈 | 一种在线决策框架，学习器与对手博弈，以自适应地选择干预，平衡探索与利用。 |
| 累积KL散度 | 衡量在多次干预下，观测数据分布与真实分布之间累积的Kullback-Leibler散度，用于刻画信息量。 |
| 实例相关下界 | 针对具体因果模型实例的算法性能下界，通常比最坏情况界更紧。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅