확률 그래프 모델에서 구별 불가능한 객체들을 대표자로 묶어 정확한 답을 유지하면서 질의를 가속하는 lifted 추론을 인과 추론으로 확장한 연구다. 관계형 도메인의 인과 지식을 담는 파라메트릭 인과 팩터 그래프(PCFG)를 도입하고 그 안에서의 개입(intervention)에 형식 의미론을 부여했으며, lifted 수준에서 인과 효과를 계산하는 LCI 알고리즘으로 인과 베이지안 네트워크 같은 명제 수준 추론 대비 속도를 대폭 높였다. 나아가 부분적 인과 지식만 있는 경우를 다루는 PD-PCFG로 일반화하고 LCI를 확장해, 인과 관계에 대한 사전 지식이 적은 모델까지 적용 범위를 넓혔다. Annals of Mathematics and Artificial Intelligence 게재 논문으로, 대규모 관계형 데이터의 인과 효과 계산을 실용화하는 이론적 토대를 제공한다.
- •구별 불가능 객체를 대표자로 묶는 lifted 추론을 인과 효과 계산에 최초 적용
- •인과 지식을 담는 파라메트릭 인과 팩터 그래프(PCFG)와 개입의 형식 의미론 정의
- •LCI 알고리즘이 명제 수준 추론 대비 인과 추론을 크게 가속하면서 정확도 유지
- •부분 인과 지식만 있을 때를 위한 PD-PCFG 일반화로 적용 범위 확장
- •Annals of Mathematics and Artificial Intelligence 저널 게재 확정
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Lifted Causal Inference
본문 미리보기
arXiv:2606.28024v1 Announce Type: new Abstract: Lifted inference exploits indistinguishabilities in probabilistic graphical models by using a representative for indistinguishable objects, thereby speeding up query answering while maintaining exact answers. In this article, we show how lifting can be applied to efficiently compute causal effects in relational domains. More specifically, we introduce parametric causal factor graphs (PCFGs) to incorporate causal knowledge in lifted models and give
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
