简介：将一个因果系统从一个给定的初始状态转化为一个期望的目标状态，是一个涉及控制理论、生物学、材料科学等多个领域的重要课题。在因果模型中，这种转变可以通过实施一系列干预来实现。在本文中，我们的研究目标是通过主动学习的方法来确定能够匹配系统期望均值的干预。我们定义了可从转移干预中识别的马尔可夫等价类，并提出了两种保证完全匹配期望均值的主动学习策略。然后，我们推导出所需干预数量的最坏情况下界，并证明这些策略对于某些类别的图是最优的。特别地，我们表明我们的策略需要的干预可能比之前考虑的方法要少得多，这些方法优化了潜在因果图中的结构学习。与我们的理论结果一致，我们还通过实验证明，我们提出的主动学习策略需要的干预比几个基线方法更少。

链接：https://arxiv.org/pdf/2107.01850.pdf
推荐理由：本文首先提出并研究了一个有趣的问题，Causal Matching，即如何确定干预使得干预后的系统可以匹配到当前的系统，值得推荐。

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