Personalized Binomial DAGs Learning with Network Structured Covariates

本文关注的是使用多变量计数数据进行因果发现。在许多领域中，数据的因果依赖性通常由有向无环图（DAG）模型描述。因果发现旨在使用观测数据恢复DAG结构。我们的动机来自于真实世界的网络访问数据，记录了个人用户对多个网站的访问。建立因果图可以帮助理解用户在网站之间的转换行为，启发操作策略。建模中的一个挑战是用户异质性，因为具有不同背景的用户表现出不同的行为。此外，社交网络连接可能导致朋友之间出现类似的行为。我们引入了个性化二项DAG模型来解决现实世界应用中常见的异质性和观测之间的网络依赖性。为了学习所提出的DAG模型，我们开发了一种算法，将网络结构嵌入到降维协变量中，学习每个节点的邻域以减少DAG搜索空间，并探索方差-均值关系以确定排序。模拟表明，我们的算法在异质性数据方面优于现有的竞争对手。我们在真实世界的网站访问数据集上展示了它的实用性。

本论文旨在解决使用多变量计数数据进行因果发现的问题，以应用于实际的网站访问数据中，探索用户在不同网站之间的行为转变规律，以及建立因果图模型用于指导运营策略。

论文提出了个性化二项式有向无环图模型，以解决用户异质性和社交网络依赖性对于因果发现的影响。同时，开发了一种算法，将网络结构嵌入到降维协变量中，学习每个节点的邻域以减少DAG搜索空间，并探索方差-均值关系以确定排序。

论文的算法在异质性数据方面表现优于现有的竞争对手，实验数据集为真实的网站访问数据集。此外，论文的个性化二项式DAG模型和算法可以用于其他领域的因果发现问题。

最近的相关研究包括：Discovering Causal Structure with Robustness to Interventions (ICML 2021)、Causal Discovery with Reinforcement Learning (NeurIPS 2020)、Causal Discovery in the Presence of Measurement Error: Identifiability and Algorithm (JMLR 2020)等。