因果模型和有向图模型有什么区别？

Question

17

什么是因果模型和有向图模型的区别？因果关系和有向概率关系有什么区别？更具体地说，您将在DirectedProbabilisticModel类的接口中放置什么，以及在CausalModel类中放置什么？它们之间是否相互继承？

- Neil G

我认为如果机器学习是一个标签，那么与机器学习相关的问题就是公平竞争的：这显然与计算机科学有关。我正在努力理解这个链接：http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf - Neil G

4个回答

3

有两种因果模型：干预模型和反事实模型。所有有向图模型都可以进行观测推理。干预模型是一种有向图模型，可以使用观测和干预证据进行推理。反事实模型可以使用观测、干预和反事实证据（源自模型内的推断）进行推理。

在几年前的一封私人电子邮件中，Pearl 给我写道：

“按照定义，模型是一系列假设，而假设从来不会‘被确认为真实’。它们可能会被理论、数据或实验所证实。但它们在层次结构中的位置取决于它们所声称的内容，而不是它们的来源。”

- Neil G

0

有向图模型是一种编码变量之间因果关系的方式。概率图模型是一种以概率方式编码因果关系的方法。我建议阅读由Judea Pearl撰写的this书籍，他是该领域的先驱之一（我在您在评论中提到的论文中看到您提到了他）。

有向图仅仅是一个带有方向的图形（节点和边缘）。因果模型是告诉您变量如何相互影响的模型，其中一种方法是使用有向图。人工智能研究表明，确定性因果关系不足以编码我们周围世界的知识，因为它太混乱了。这就是为什么概率被加入到这个领域的原因。

- elijah

0

如果我正确理解this post的话，普通模型和有向图模型（贝叶斯网络）旨在不同的工作流程阶段。普通模型是一种分配依赖关系的方式，使它们反映因果关系。贝叶斯网络为我们提供了推理技术。因此，可以使用不同的方法执行估计。另一方面，人们可以使用不同的技术对贝叶斯网络进行建模，而不是SCM。

如果您进一步探究，请告诉我们，因为我并不完全理解SCM的主题（虽然我愿意 :）。

- Roman Shapovalov

我真的认为因果模型和有向图模型之间唯一的区别在于，在干预后，因果模型仍然保持信息量丰富。换句话说，它们实现了我上面定义的接口。 - Neil G

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Carlos Rendon · Accepted Answer

《因果推断》是值得一读的书。

两者之间的区别在于一个是因果的，而另一个仅仅是统计学的。在你把我当作“重言式俱乐部”的成员并驳回我的观点之前，请听我说完。

有向概率关系（也称为完备的条件概率表集合，或贝叶斯网络）只包含统计信息。这意味着你可以从联合概率表中推断出任何事情，同样的，你可以从有向概率关系中推断出任何事情，没有多余的信息。两者是等价的。

而因果关系则是完全不同的。因果关系（也称为因果贝叶斯网络）必须指定在任何变量干预下会发生什么。干预是指将变量强制设置为模型正常影响范围之外的值。这相当于使用一个新的表格替换被强制设置的变量（或变量，但为了简单起见，我们只考虑一个变量）的条件概率，使该变量以概率为1取其强制值。

如果您不理解，请跟进联系我，我会进一步解释。

本节是为了回答Neil在评论中提出的问题而添加的

Neil问：

在没有进行干预的情况下，如何确定有向概率关系的方向？换句话说，有向图模型是否具有因果信息（即条件于干预的概率信息）？

你可以通过做出额外的非统计学假设来确定有向概率关系的方向。这些假设通常包括：假设没有隐藏变量，以及真正重要的假设是，假定在联合分布中发现的条件独立关系是稳定的（即它们存在不是由于偶然或抵消）。贝叶斯网络不做这些假设。

有关如何恢复方向的详细信息，请查阅IC、PC和IC*算法。我认为IC的具体细节在《推断因果关系的理论》一文中有介绍。