CausalDisco: Causal discovery using knowledge graph link prediction

因果发现是从观测数据中发现新的因果关系的过程。传统的因果发现方法经常遇到与缺失数据相关的问题。为了解决这些问题，本文提出了一种新方法，称为CausalDisco，它将因果发现表述为知识图谱完成问题。更具体地说，发现因果关系的任务被映射为知识图谱链接预测任务。CausalDisco支持两种类型的发现：因果解释和因果预测。因果关系具有权重，表示知识图谱中实体之间因果关联的强度。本文对这种方法进行了评估，使用了一个模拟视频因果推理的基准数据集CLEVRER-Humans，并比较了多个知识图谱嵌入算法的性能。此外，评估中使用了两种不同的数据集分割方法：（1）基于随机的分割，这是评估链接预测算法时通常使用的方法，以及（2）基于马尔可夫的分割，这是一种评估链接预测的新数据分割技术，利用了因果关系的马尔可夫性质。结果表明，使用加权因果关系比没有加权关系的基线模型可以改善因果发现的性能。

本文试图解决从观测数据中发现新的因果关系的问题，特别是针对缺失数据的问题。论文提出了一种新方法，将因果发现任务转化为知识图谱完成问题。

CausalDisco是一种新的因果发现方法，将因果关系的发现任务映射到知识图谱链接预测任务。CausalDisco支持两种类型的发现：因果解释和因果预测。因果关系具有权重，表示知识图谱中实体之间因果关联的强度。

本文使用模拟视频数据集CLEVRER-Humans进行了实验评估，并比较了多个知识图谱嵌入算法的性能。此外，本文还使用了两种不同的数据集划分方法进行评估：（1）基于随机的划分，这是评估链接预测算法的常用方法，（2）基于马尔可夫的划分，这是一种利用因果关系的马尔可夫性质进行链接预测评估的新方法。实验结果表明，使用加权因果关系可以提高因果发现的性能。

在因果发现领域，最近的相关研究包括：'Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies'、'Discovering causal signals in images'、'Causal Discovery from Incomplete Data using Non-Gaussianity'等。