Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency

为了准确预测、理解机制并设计干预措施，我们希望从大规模数据中学习因果图。不幸的是，所有可能的因果图空间都是巨大的，因此可扩展和准确地搜索最佳匹配数据是具有挑战性的。原则上，我们可以通过测试变量的条件独立性来大大减少搜索空间或完全学习图形。然而，判断两个变量在因果图中是否相邻可能需要指数数量级的测试。在这里，我们构建了一种可扩展和灵活的方法来评估两个变量在因果图中是否相邻，即可微邻接测试（DAT）。DAT用一个可证明等价的放松问题替换了指数数量级的测试。然后，通过训练两个神经网络来解决这个问题。我们基于DAT构建了一个图形学习方法，即DAT-Graph，它还可以从干预数据中学习。DAT-Graph可以以最先进的准确性学习1000个变量的图形。使用DAT-Graph学习的图形，我们还构建了模型，可以更准确地预测对大规模RNA测序数据的干预效果。

本论文的问题是如何从大规模数据中学习因果图，并且设计干预措施。作者认为当前因果图的搜索空间巨大，需要一种可扩展且精确的方法来解决这个问题。

论文提出了一种可微分的邻接性测试方法（DAT），用于评估因果图中两个变量是否相邻。DAT通过训练两个神经网络来解决一个松弛的问题，从而代替了指数数量级的测试，这个方法可以扩展到大规模数据，并且可以处理干预数据。作者还基于DAT提出了一个图学习方法DAT-Graph，可以学习1000个变量的图，并且在RNA测序数据的干预效果预测方面表现出色。

论文使用了大规模数据集进行实验，并且开源了代码。DAT-Graph的表现优于目前其他方法，可以学习到更为准确的因果图。此外，作者还证明了DAT和传统邻接性测试具有等价性。

近期的相关研究包括：'Causal Discovery with Reinforcement Learning'，'Learning Causal Graphs with Small Interventions'，'Causal Inference by Comparing Regression Errors'等。