Qual è la differenza tra modelli causali e modelli grafici diretti?

Question

Qual è la differenza tra i modelli causali e i modelli grafici diretti?

o:

Qual è la differenza tra le relazioni causali e le relazioni probabilistiche diretti?

o, ancora meglio:

Cosa vorresti inserire nell'interfaccia di una classe DirectedProbabilisticModel, e quello che in una classe CausalModel? Uno erediterebbe dall'altro?

---

soluzione Collaborative:

interface DirectedModel { 
    bool NodesDependent(set<Node> nodes, map<Node, Distribution> context) 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              set<Node> nodes_of_interest) 
} 
interface CausalModel: DirectedModel { 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              map<Node, Distribution> externally_forced_probabilities, 
              set<Node> nodes_of_interest) 
} 

Answer 1

La causalità di Judea Pearl è il libro da leggere.

La differenza è che uno è causale e l'altra è solo statistica. Prima di congedarmi come membro del club di tautologia, ascoltami.

Una relazione probabilistica diretta (AKA un set completo di tabelle di probabilità condizionale, rete bayesiana AKA) contiene solo informazioni statistiche. Significa che qualsiasi cosa tu possa dedurre dalla tabella delle Probabilità congiunte puoi dedurre dalla relazione probabilistica diretta, niente di più, niente di meno. I due sono equivalenti.

Una relazione causale è qualcos'altro. Una relazione causale (AKA Causal Bayesian Network) deve specificare cosa succede sotto qualsiasi intervento variabile. L'intervento si verifica quando una variabile è forzata a un valore al di fuori delle normali influenze del modello. Ciò equivale a sostituire la probabilità condizionale per la variabile forzata (o variabili, ma ne consideriamo solo una per semplicità) con una nuova tabella in cui la variabile prende il suo valore forzato con probabilità uno.

Se questo non ha senso, si prega di seguire e chiarirò.

Questa sezione aggiunto per affrontare questioni di Neil nei commenti

Neil chiede:

Come si può determinare la direzione di relazioni probabilistiche diretti senza eseguire interventi? In altre parole, non il diretto modello grafico ha causale informazioni in esso (ad esempio, le informazioni di probabilità subordinata interventi?)

è possibile determinare la direzione delle relazioni probabilistiche diretto da rendere aggiuntivo ipotesi non statistiche. Queste ipotesi includono comunemente: non assumendo variabili nascoste, e quella veramente importante, assumendo che le relazioni di indipendenza condizionale trovate nella distribuzione congiunta siano stabili (nel senso che esistono non per caso o per cancellazione). Le reti bayesiane fanno non fanno queste ipotesi.

Per i dettagli su come recuperare le direzioni, ricercare gli algoritmi IC, PC e IC *. Credo che i dettagli specifici di IC siano trattati in: "A Theory of Inferred Causation"

Answer 2

Se ho capito correttamente this post, modelli casual e modelli grafici diretti (reti bayesiana) mirano a diverse fasi del flusso di lavoro. Un modello casuale è un modo per assegnare dipendenze tali da riflettere la causalità. Le reti bayesiane ci forniscono tecniche di inferenza. Quindi, si può eseguire la stima usando qualcosa di diverso. D'altra parte, si possono modellare reti bayesiane usando tecniche diverse da SCM.

Se lo scavate più a fondo, fatecelo sapere, perché non comprendo pienamente l'argomento di SCM (mentre mi piacerebbe :).

Answer 3

i modelli grafici diretti sono un modo di codificare le relazioni causali tra le variabili. I modelli grafici probabilistici sono un modo di codificare la causalità in modo probabilistico. Consiglierei di leggere il libro this scritto da Judea Pearl, che è uno dei pionieri del settore (a cui ti vedo riferirsi nel documento che hai menzionato nel commento).

un grafico diretto è semplicemente un grafico (nodi e bordi) diretto (i bordi hanno direzioni). i modelli causali sono modelli che indicano come le variabili si influenzano a vicenda, un modo per farlo è usare i grafici diretti. La ricerca di intelligenza artificiale ha dimostrato che le relazioni causali deterministiche non sono sufficienti per codificare la conoscenza del mondo che ci circonda perché è troppo caotico. Questo è il motivo per cui la probabilità è stata aggiunta all'immagine.