Новый метод Lifted Causal Inference ускоряет вычисление причинно-следственных связей
Исследователи из области искусственного интеллекта опубликовали работу, в которой представлен метод Lifted Causal Inference (LCI) — алгоритм для быстрого вычисления причинно-следственных эффектов в реляционных доменах. Работа появилась на arXiv и описывает новый подход, основанный на концепции поднятого (lifted) вывода.
Поднятый вывод используется в вероятностных графических моделях для ускорения обработки запросов за счёт объединения неразличимых объектов и использования их представителя. Авторы работы применили эту идею к каузальному выводу, что позволяет эффективно рассчитывать эффекты вмешательств в сложных моделях с множеством повторяющихся элементов.
Ключевым вкладом стало введение параметрических каузальных факторных графов (PCFG). Эта модель позволяет встраивать причинные знания в поднятые модели и даёт формальную семантику для описания вмешательств. На основе PCFG разработан алгоритм LCI, который вычисляет причинные эффекты на поднятом уровне, избегая дорогостоящего пропозиционального вывода.
Авторы также представили обобщение PCFG — частично направленные параметрические каузальные факторные графы (PD-PCFG). Они позволяют работать с неполными каузальными знаниями. Для таких графов расширен алгоритм LCI, что делает его применимым к более широкому кругу моделей, требующих меньше априорной информации о причинно-следственных связях.
Практическая значимость работы заключается в существенном ускорении каузального вывода. Вместо перебора всех комбинаций объектов (пропозициональный подход) LCI работает с группами объектов, что даёт выигрыш в производительности, особенно в задачах с большими реляционными данными.
Метод может найти применение в биоинформатике, экономике, социальных науках и других областях, где необходимо оценивать эффекты вмешательств в системы с повторяющимися структурами. Например, при анализе эффективности лекарств на разных группах пациентов или в маркетинговых A/B-тестах.
