Active learning of causal probability trees
因果概率树的主动学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究结合观察与干预数据的因果模型学习，并涉及干预与反事实表示。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
因果概率树的主动学习
- 研究问题
- 在干预预算有限时，如何结合观察与干预数据学习允许情境依赖关系的因果概率树，并选择最能增加信息的后续干预？
- 方法与思路
- 作者提出贝叶斯概率树学习方法，量化每项干预的预期信息增益，选择增益最大的干预，并通过模拟和真实数据展示。
- 材料陈述的贡献
- 摘要称方法有效利用干预信息学习概率树，并以实验展示效率，为有限干预预算下学习更灵活的因果表示提供途径。
- 阅读关注点
- 核对概率树的表示与先验、候选干预集合和信息增益计算，检查观察与干预数据如何融合，以及预算约束下的比较方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列识别、收敛或效率数值，信息增益最大也未必等于效应估计最优。
原文摘要
The past two decades have seen a growing interest in combining causal information, commonly represented using causal graphs, with machine learning models. Probability trees provide a simple yet powerful alternative representation of causal information. They enable both computation of intervention and counterfactuals, and are strictly more general, since they allow context-dependent causal dependencies. Here we present a Bayesian method for learning probability trees from a combination of interventional and observational data. The method quantifies the expected information gain from an intervention, and selects the interventions with the largest gain. We demonstrate the efficiency of the method on simulated and real data. An effective method for learning probability trees on a limited interventional budget will greatly expand their applicability.