Моделювання спрямованого ациклічного графа для причинного висновку

DOI: 10.31673/2518-7678.2023.020202

Анотація

В роботі запропоновано алгоритм причинного висновку на базі набору вхідних даних з відповідністю запропонованих обмеженням. У статті наведено припущення щодо набору даних, які мають вплив на вибір та точність причинного методу. Наведено алгоритм побудови структури спрямованого ациклічного графа. Перевірка адекватності алгоритму проводилась на тестовій математичній моделі, що дозволило провести аналіз без рандомізованого експерименту. Запропонований алгоритм допускає екстраполяцію для виявлення причинної моделі з вказаними припущеннями та можливістю більш строгих обмежень для набору вхідних даних.

Ключові слова: причинний висновок, моделювання причинного висновку, причинний граф, причинно-наслідкові зв’язки, великий набір даних.

Список використаної літератури:
1. Discovering causal signals in images / D. Lopez-Paz et al. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 6979–6987.
2. Srinivasan R., Uchino K. Biases in generative art: A causal look from the lens of art history. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 1 March 2021.
3. Sridhar D., Blei D. M. Causal inference from text: A commentary. Science Advances. 2022. Vol. 8, no. 42.
4. Беспала О. М. Інструментарій причинно-наслідкового висновку: огляд та перспективи. Control Systems and Computers. 2020. Т. 5. С. 52–63. URL: https://doi.org/10.15407/csc.2020.05.052
5. Raghu V. K., Poon A., V. Benos P. Evaluation of causal structure learning methods on mixed data types. Proceedings of 2018 ACM SIGKDD Workshop on Causal Discovery, 2018.
6. Rabbitt M. P. Causal inference with latent variables from the Rasch model as outcomes. Measurement. 2018. Vol. 120. P. 193–205. URL: https://doi.org/10.1016/j.measurement.2018.01.044
7. Strobl E., Lasko T. A. Sample-specific root causal inference with latent variables. Conference on Causal Learning and Reasoning. 2023. P. 895–915.
8. Discovering causal signals in images / D. Lopez-Paz et al. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 1-11.
9. Stoetzer, L., Zhou, X., & Steenbergen, M. R.Causal Inference with Latent Outcomes. 2022, July 13 https://doi.org/10.31219/osf.io/g6skh.
10. Structure learning for Bayesian networks. URL: https://ermongroup.github.io/cs228-notes/learning/structure/ (date of access: 28.10.2023).
11. Methods and tools for causal discovery and causal inference / A. R. Nogueira et al. WIREs Data Mining and Knowledge Discovery. 2022. Vol. 12, no. 2. URL: https://doi.org/10.1002/widm.1449
12. Про затвердження Методики оцінки збитків від наслідків надзвичайних ситуацій техногенного і природного характеру: Постанова Каб. Міністрів від 15.02.2002 р. № № 175.
13. Perl J. Causality. Cambridge university press, 2009.