В чем разница между причинными моделями и ориентированными графическими моделями?

Question

В чем разница между причинными моделями и ориентированными графическими моделями?

или:

В чем разница между причинно-следственными связями и направленными вероятностными отношениями?

или, еще лучше:

Что бы вы положили в интерфейс класса DirectedProbabilisticModel, и то, что в классе CausalModel? Наследуется ли от другого?

---

Совместное решение:

interface DirectedModel { 
    bool NodesDependent(set<Node> nodes, map<Node, Distribution> context) 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              set<Node> nodes_of_interest) 
} 
interface CausalModel: DirectedModel { 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              map<Node, Distribution> externally_forced_probabilities, 
              set<Node> nodes_of_interest) 
} 

Answer 1

Причинность по Иудее Перл - это книга для чтения.

Разница заключается в том, что одна является причинной, а другой лишь статистического. Прежде чем уволить меня как члена клуба тавтологии, послушайте меня.

Направленная вероятностная связь (AKA - полный набор условных вероятностных таблиц, AKA Bayesian Network) содержит только статистическую информацию. Имея в виду, что все, что вы можете сделать из таблицы совместных вероятностей, вы можете сделать из направленных вероятностных отношений, не более того, не что иное. Эти два эквивалента.

Касательная связь - это нечто иное. Каузальная взаимосвязь (AKA Causal Bayesian Network) должна указывать, что происходит при любом переменном вмешательстве. Вмешательство заключается в том, когда переменная принудительно выдается за пределы нормальных влияний модели. Это эквивалентно замене условной вероятности принудительной переменной (или переменных, но для простоты мы рассмотрим только одну) с новой таблицей, в которой переменная принимает принудительное значение с вероятностью 1.

Если это не имеет смысла, проследите за мной, и я уточню.

Этот раздел добавлен для решения вопросов Нейла в комментариях

Нил спрашивает:

Как вы можете определить направление направленных вероятностные отношений без проведения мероприятий? В Других слов, не направленная графическая модели имеет причинную информации в нем (то есть, информации о вероятности обусловливающей вмешательства?)

Вы можете определить направление направленных вероятностных отношений, сделав дополнительным нестатистические предположения. Эти предположения обычно включают в себя: не считая скрытых переменных и действительно важных, предполагая, что отношения условной независимости, найденные в совместном распределении, являются стабильными (что означает, что они существуют не случайно или не отменены). Байесовские сети делают не делают эти предположения.

Подробнее о том, как восстановить направления исследований IC, PC и IC * алгоритмы. Я полагаю, что конкретные детали ИС описаны в: "A Theory of Inferred Causation"

Answer 2

Если я понимаю правильно this post, случайные модели и направленные графические модели (байесовской сети) направлены на различных этапах технологического процесса. Случайная модель - это способ присвоения зависимостей, чтобы они отражали причинность. Байесовские сети предоставляют нам методы вывода. Таким образом, можно выполнить оценку, используя что-то другое. С другой стороны, можно моделировать байесовские сети, используя разные методы, чем SCM.

Если вы вникнете в нее глубже, сообщите нам об этом, потому что я не полностью понимаю тему SCM (хотя я бы хотел :).

Answer 3

ориентированные графические модели - это способ кодирования причинно-следственных связей между переменными. Вероятностные графические модели являются способом кодирования причинности вероятностным образом. Я бы порекомендовал читать this книгу, написанную Иудеей Перл, которая является одним из пионеров в этой области (о ком я вижу, что вы упоминаете в документе, упомянутом в комментарии).

ориентированный граф - это просто граф (узлы и ребра), который направлен (ребра имеют направления). причинные модели - это модели, которые рассказывают вам, как переменные влияют друг на друга, одним из способов сделать это является использование ориентированных графов. Исследование ИИ показало, что детерминированных причинно-следственных связей недостаточно для кодирования знания окружающего нас мира, потому что он слишком запутан. Вот почему к картинке добавилась вероятность.