Differentiable Multi-Target Causal Bayesian Experimental Design
可微分的多目标因果贝叶斯实验设计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：摘要以干预实验设计和因果模型学习为核心，直接属于因果推断中的实验设计与因果发现。
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
可微分的多目标因果贝叶斯实验设计
- 研究问题
- 在干预成本较高且需要批量开展实验时，如何联合选择多个干预目标及其状态，以更有效地从有限资料学习因果模型？
- 方法与思路
- 作者将批量多目标干预设计参数化，使用端到端梯度优化联合搜索目标与状态组合，替代逐步贪心构造及黑箱优化。
- 材料陈述的贡献
- 摘要提出可处理批量多目标干预的优化方法，并称其在多个合成资料的单目标和多目标设置中优于所比较的获取策略。
- 阅读关注点
- 核对实验设计效用、可微分参数化与离散干预之间的对应关系，以及优化结果是否有全局最优保证和公平的基准比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明因果模型假设、优化保证和效益数值，证据限于所述合成实验。
原文摘要
We introduce a gradient-based approach for the problem of Bayesian optimal experimental design to learn causal models in a batch setting -- a critical component for causal discovery from finite data where interventions can be costly or risky. Existing methods rely on greedy approximations to construct a batch of experiments while using black-box methods to optimize over a single target-state pair to intervene with. In this work, we completely dispose of the black-box optimization techniques and greedy heuristics and instead propose a conceptually simple end-to-end gradient-based optimization procedure to acquire a set of optimal intervention target-state pairs. Such a procedure enables parameterization of the design space to efficiently optimize over a batch of multi-target-state interventions, a setting which has hitherto not been explored due to its complexity. We demonstrate that our proposed method outperforms baselines and existing acquisition strategies in both single-target and multi-target settings across a number of synthetic datasets.