Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Sairam Sundararaman и соавторы проверили, способен ли отменяемый экспертный запрет самостоятельно уступить данным при дифференцируемом поиске причинного графа.
В препринте, который не проходил рецензирования, по их замерам, один ошибочный запрет подавлял истинное ребро в 87–97% испытаний.
Работа важна командам, которые хотят добавлять экспертные правила в модели причинных связей, не превращая эти правила в безусловные ограничения.
Что сделали
Ребро в причинном графе обозначает предполагаемую направленную связь между переменными. Для запрета такого ребра авторы использовали метод расширенного Лагранжиана (ALM): штраф за нарушение правила постепенно растёт, а механизм DADU должен ослабить его, если данные поддерживают запрещённую связь.
Авторы утверждают, что проверка запускается слишком поздно. Штраф успевает приблизить вес ребра к нулю, после чего удаление связи почти не ухудшает качество модели. Механизм принимает это за подтверждение запрета, хотя исходный сигнал уже был стёрт самим штрафом. DADU при этом предложен в работе как объект исследования, а не взят из существующей реализации.
Вторая проблема относится к функции качества. Согласование корреляций нормализует масштабы переменных и поэтому назначает одинаковую стоимость истинному ребру и его обратному направлению. Согласование ковариаций сохраняет сведения о дисперсии и различает направления. Объединив его с более ранней проверкой запрета, авторы восстанавливали ошибочно запрещённое ребро в 27–52 раза чаще, чем с DADU, но правильное восстановление всё равно оставалось исходом меньшинства испытаний.
Что это значит
Экспертное правило нельзя считать мягким только потому, что система формально умеет его отменять. Для внедрения нужно отдельно проверять, успевает ли модель оценить данные до роста штрафа и не перенаправляет ли вес в обратное, ничем не ограниченное ребро. По экспериментам авторов, функции на основе наименьших квадратов и правдоподобия устраняли неоднозначность направления, связанную с корреляциями, но не устраняли раннее подавление.
Ограничения. Все замеры проведены на синтетических линейных гауссовских моделях с графами от 4 до 32 узлов; общий набор включает 6144 запуска. В каждом графе проверяли только одно ошибочно запрещённое ребро. Работа не показывает поведение метода на реальных данных, при нескольких неверных правилах или при негауссовском процессе. Сравнение с Notears, Dagma и golem основано на воспроизведённых авторами функциях качества, а не на запусках исходного кода этих проектов; мягкие правила в виде добавки к оценке также не тестировались.
Источники
Иллюстрация: рисунок из статьи «Guide, Not Bind: Why Defeasible Priors Fail in Augmented Lagrangian Causal Discovery», Sairam Sundararaman, Sara Girdhar, Manit Narasimha Murthy и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
