Охарактеризовано новий підхід до виведення каузальних моделей з емпіричних даних, який спирається на виявлення фактів умовної незалежності. Підхід, базований на незалежності, забезпечує розробку асимптотично-коректних методів виведення каузальних мереж, у той час як регресійна методологія непридатна для цього. Базованим на незалежності методам притаманна дворівнева декомпозиція задачі, що сприяє зниженню розмірності потрібних статистик та обчислювальних витрат. Для підвищення ефективності метод доцільно озброїти набором резолюцій, які забезпечують усікання простору пошуку сепараторів та фокусування верифікації зв'язків. Пропоновані засоби ґрунтуються на необхідних вимогах до члена локально-мінімального d-сепаратора. Ефективність розроблених методів продемонстровано на прикладах. Викладено принципи контролю ефективності методів і адекватності моделі.
Охарактеризован новый подход к выводу каузальных моделей из эмпирических данных, который опирается на выявление фактов условной независимости. Подход, основанный на независимости, обеспечивает разработку асимптотически-корректных методов вывода каузальных сетей, в то время как регрессионная методология непригодна для этого. Основанным на независимости методам присуща двухуровневая декомпозиция задачи, что способствует снижению размерности необходимых статистик и вычислительных расходов. Для повышения эффективности в метод целесообразно ввести набор резолюций, которые обеспечивают усечение пространства поиска сепараторов и фокусировку верификации связей. Предложенные средства основаны на необходимых требованиях к члену локально-минимального d-сепаратора. Эффективность разработанных методов продемонстрирована на примерах. Изложены принципы контроля эффективности методов и адекватности модели.
We characterize an independence-based approach to causal model inference from data. In contrast to regression, methods of this approach are aimed to asymptotically correctly recover a generative model. The merit of independence-based methods is inherent decomposition of model inference. This results in reducing dimensionality of statistics used as well as problem hardness. Aiming to enhance efficiency of methods we devise a few resolutions which facilitate contraction a space of search for separator and reducing a hardness of edge verification. The resolutions are grounded on necessary requirements on a member of locally-minimal d-separator. Efficiency of methods developed is demonstrated via few examples. Principles for verification of method effectiveness and model adequacy are presented.
