Loading...

Experiment Design for Causal Discovery Based on the Observational/Interventional Data

Safaeian, Ramin | 2024

0 Viewed
  1. Type of Document: Ph.D. Dissertation
  2. Language: Farsi
  3. Document No: 57934 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Tabandeh, Mahmoud; Saleh Kalibar, Saber
  7. Abstract:
  8. In numerous scientific disciplines, analyzing a system often fails to reveal significant relationships between its various variables. However, in certain instances, changes in one variable can influence the behavior of one or more other variables. Systems where such underlying causal relationships exist are referred to as causal systems. The process of inferring the structure of these systems is known as causal learning. In causal learning, given observed samples from a system and under certain assumptions, the joint distribution of the variables can determine the equivalence class of their corresponding graphical model. Once the equivalence class is identified, interventions are employed to gain further edge direction recovery. Intervention involves altering the operation of a causal system to reveal the cause-and-effect relationships between a variable and its neighboring variables. Understanding the direction of edges connected to these neighbors can recover direction of more edges in graph. For instance, if the underlying causal model is represented as a directed acyclic graph, the edges can be oriented to prevent the formation of cycles. This thesis investigates various methods for learning causal systems. Initially, a set of functions for edge orientation is introduced. Subsequently, a set of properties for these functions is stated, which facilitates the acceleration of the edge orientation procedure in experimental design problems. Additionally, an efficient method is proposed for calculating the lower bound on the number of directed edges resulting from an intervention on a node. This lower bound serves as a suitable criterion for selecting variables for intervention based on the minimax criterion. The experimental results demonstrate that the proposed lower bound closely approximates the actual value. Finally, a method is presented for identifying the minimal set of interventions necessary to fully orient all undirected edges in a chordal graph. Moreover, an algorithm is proposed that computes the optimal set of interventions in polynomial time. Through these contributions, this thesis introduces novel methodologies for addressing various related challenges
  9. Keywords:
  10. Intervention ; Experimental Design ; optimal Intervention Set ; Causal Edge Learning

 Digital Object List

 Bookmark

  • ‫مقدمه‬
    • تمايز علّیت از وابستگی
    • شناخت علّی
    • طراحی آزمایش
    • طبقه‌بندی شناخت علّی
    • ساختار پایان‌نامه
  • پیش نیازها
    • ساختار مدل علّی
      • مروری بر گراف
      • معرفی مدل ساختار علّی
      • مداخله‌
      • خلاف واقع
      • خاصیت مارکوف
      • جمع‌بندی مدل ساختار علّی
    • یادگیری مدل علّی با مشاهده‌ سیستم
      • پیش‌نیازهای یادگیری اسکلت
      • روش‌های یادگیری اسکلت
    • یادگیری مدل علّی با مداخله‌ در سیستم
      • مقدمه
      • تعمیم تعاریف حالت مشاهده به حالت مداخله
      • طراحی آزمایش‌
      • یادگیری جهت یال‌های همسایه با متغیر مداخله‌شونده
      • یادگیری جهت یال‌های غیرهمسایه با متغیر مداخله‌شونده
      • مداخله غیرفعال
      • مداخله فعال
  • راه‌کارهای جديد ارائه شده برای یادگیری جهت علّی
    • مسئله یادگیری جهت علّی در کارهای پیشین
    • قوانین Meek
    • توابع Meek
    • ویژگی‌های توابع Meek
    • ارائه روش‌های جدید برای جهت‌دهی یال‌ها
      • محاسبه سریع گراف اساسی مداخله
      • حد پایین بر روی تعداد یال‌های جهت‌دهی‌ شده
      • سازگاری جهت‌دهی یال‌ها
  • راه‌کار جديد ارائه شده در آزمایش غیر فعال
    • مجموعه مداخله بهینه در حالت آزمایش غیرفعال
      • مجموعه مداخله بهینه
      • الگوریتم محاسبه مجموعه مداخله بهینه
    • ‪بررسی توانمندی الگوریتم‌های طراحی آزمایش در محیط غیرفعال‬
  • نتایج کسب شده و بررسی آن
    • بازیابی گراف‌های اساسی
    • تسریع طراحی آزمایش در محیط آزمایش فعال
    • کیفیت حد پایین ‫ارائه شده برای تعداد یال جهت‌دهی شده‬
    • طراحی آزمایش بر اساس شرط حد پایین
    • نکات عملی
    • ‫بررسی الگوریتم بهینه مداخله در حالت غیرفعال‬
  • نتيجه‌گیری و کارهای آینده
  • کتاب‌نامه
  • پیوست
    • گراف ارتباطی اثبات‌ها
    • اثبات قضیه 3.5
    • اثبات قضیه 3.11
    • اثبات قضیه 3.12
    • اثبات ویژگی ۱ در لم 3.15
    • اثبات ویژگی ۱ در لم 3.14
    • اثبات ویژگی ۲ در لم 3.14
    • شرایط ایجاد زیرگراف‌ کاندید ۲
    • اثبات خاصیت ۳ در لم 3.14
    • اثبات خاصیت ۴ در لم 3.14
    • اثبات لم 3.18
    • اثبات خاصیت ۲ در لم 3.15
    • اثبات قضیه 3.19
    • اثبات گزاره 3.20
    • اثبات قضیه 3.21
    • اثبات لم 3.22
    • اثبات قضیه 3.23
    • اثبات لم 3.25
    • اثبات قضیه 3.27
    • اثبات قضیه 3.31
    • اثبات گزاره 4.1
    • اثبات قضیه 4.2
    • اثبات قضیه 4.4
    • تسریع محاسبه سایز کلاس هم‌ارزی
...see more