简介：我们引入了一个新的协同因果发现问题，在这个问题的场景中，我们有多个独立的实体，每个实体都有自己的因果图，我们的目标是同时学习所有这些因果图。我们在没有因果充要性假设的情况下研究这个问题，使用极大祖先图(MAG)来建模因果图，并假设我们有能力主动地对实体执行独立的单顶点(或原子)干预。如果实体的M底层(未知)因果图满足聚类的自然性质，我们提出了算法来利用这样的性质，并仅需对于每个实体进行log(M)次原子干预即可恢复所有因果图。这明显少于每个实体分别学习每个因果图所需的n次原子干预，其中n是因果图中可观察节点的数量。此外，我们还提出一个下界来补充我们的结果，并讨论我们在多种协同设定下的扩展。

链接：https://arxiv.org/pdf/2106.03028.pdf

推荐理由：本文在因果发现的基础上，提出了一种全新的问题设定，即协同因果发现，该问题十分新颖且有很强的实际意义。

内容中包含的图片若涉及版权问题，请及时与我们联系删除