자율 학습을위한 책인 확률 그래픽 모델을 공부하고 있습니다. DAG (directed acyclic graph)의 모서리가 인과 관계를 나타 냅니까?
베이지안 네트워크를 만들고 싶지만 화살표의 방향에 대해 잘 모르겠 으면 어떻게해야합니까? 모든 데이터는 상호 연관성이 아니라 관찰 된 상관 관계라는 것을 말해 줄 것입니다. 다음 장에서 이러한 문제를 다룰 것이라고 확신하기 때문에 너무 많이 묻는다는 것을 알고 있지만, 생각을 멈출 수는 없습니다.
답변:
많은 구조 학습 알고리즘은 경쟁 구조의 Markov 동등성까지만 점수를 매길 수 있으며 결과적으로 데이터만을 기반으로 베이지안 네트워크 (BN)에 대한 고유 한 DAG를 학습 할 수 없으므로 인과성 가설에 의문을 제기합니다. Spirtes et al. 이 문제를“ 통계 불명료성 ”이라고하며 책에서 오랫동안 논의했습니다.
저는 DAG의 경계가 주로 인과 관계에 대한 통찰력을 제공하는 확률 론적 의존성으로 해석되어야한다는 견해를 가지고 있습니다. 이것은 BN이 나타내는 확률 분포가 근본적인 인과 구조를 가지고 있음을 방어하는 '인과 적'베이지안 네트워크 (유대 진주 포함)의 지지자들의 관점과 일치합니다.
이 메시지는이 문제에 대한 포괄적 인 계약이 존재하지 않습니다. 그러나 위에서 공유 한 관점이 더 안전한 것 같습니다.
관계가 인과 적이 라고 가정 할 경우에만 방향을 잡습니다. 물론이 가정은 관측 자료로는 확인할 수 없지만 가설 화 된 인과 관계 세트를 DAG로 공식화함으로써 그래프에서 주어진 관계에 대한 가능한 인과 추론을 도출하기 위해 조정할 변수를 식별 할 수 있습니다. 내 관점에서 볼 때, DAG가 참이라면 (특히 비정형적인 비트라면) 변수들 사이의 관계는 어떤 식 으로든 관찰되어야합니다. 그러나 그것은 여전히 완전한 절제이며, 가정 된 인과 관계를 반영하지 않는 화살표를 추가하면 그 추상화의 가치를 볼 수 없습니다.
또한 다른 개념으로 인해 다른 그래프가 생성 될 수 있으므로 데이터 만 제공하면 고유 한 Bayes 네트워크를 구성 할 수 없습니다.
이에 대한 자세한 내용은 여기를 참조하십시오 .
주 바브 (Zhubarb)가 말했듯이,이 문제에 대한 중요한 합의는 없습니다. 그래서 아직 다루지 않은 또 하나의 관점을 던져 보겠습니다. 인과 DAG의 경우, 인과 구조는 종종 화살표 가 없는 것으로 인코딩 된 것으로 간주됩니다 . 이 프레임 워크에서 화살표는 인과 관계가있을 수 있지만 누락 된 화살표는 인과 관계가없는 것으로 강력하게 믿거 나 알려 져야합니다. 이것은 Bayesian Networks에 널리 적용되지는 않지만 질문을 더 일반적으로 시작했기 때문에 주목할 가치가 있다고 생각합니다.
또한 네트워크를 배우고 싶다면 화살표 방향을 알 수 없습니다. 연결은 화살표를 따라 양방향으로 흐르기 때문입니다. 방향성에 대해 몇 가지 가정을하거나 시간 순서에 대한 정보를 강요해야합니다.