因果模型和有向图模型有什么区别？因果关系和有向概率关系有什么区别？更具体地说，你会在类的接口中放入DirectedProbabilisticModel什么，在CausalModel类中放入什么？一个会继承另一个吗？
问问题
3407 次
4 回答
11
Judea Pearl 的《因果关系》是一本值得阅读的书。
不同之处在于一个是因果关系，另一个只是统计信息。在解雇我作为重言式俱乐部的成员之前，请听我说完。
有向概率关系（AKA 一套完整的条件概率表，AKA 贝叶斯网络）仅包含统计信息。这意味着您可以从联合概率表中推断出的任何内容都可以从有向概率关系中推断出来，仅此而已。两者是等价的。
因果关系完全是另一回事。因果关系（AKA 因果贝叶斯网络）必须指定在任何变量干预下会发生什么。干预是指将变量强制设置为模型正常影响之外的值。这相当于将强制变量（或多个变量，但为简单起见只考虑一个）的条件概率替换为一个新表，其中变量以概率 1 取其强制值。
如果这没有意义，请跟进，我会澄清。
添加此部分以解决 Neil 在评论中的问题
尼尔问：
您如何在不进行干预的情况下确定有向概率关系的方向？换句话说，有向图模型中没有因果信息（即，有关以干预为条件的概率的信息吗？）
您可以通过做出额外的非统计假设来确定有向概率关系的方向。这些假设通常包括：假设没有隐藏变量，以及真正重要的假设，假设在联合分布中发现的条件独立关系是稳定的（意味着它们的存在不是偶然或取消的）。贝叶斯网络不做这些假设。
有关如何恢复方向的详细信息，请研究 IC、PC 和 IC* 算法。我相信IC的具体细节包含在： “A Theory of Inferred Causation”
于 2010-02-23T01:16:56.807 回答
3
因果模型有两种类型：干预模型和反事实模型。所有有向图模型都可以通过观察进行推理。介入模型是一种有向图形模型，可以根据观察和介入证据进行推理。反事实模型可以使用观察性、干预性和反事实证据（源自模型内推论的干预）进行推理。
几年前，珀尔在一封私人电子邮件中给我写信：
根据定义，模型是一系列假设，而假设永远不会“已知为真”。它们可能被理论、数据或实验所证实。但他们在等级制度中的地位取决于他们声称的内容，而不是他们来自哪里。
于 2019-01-03T22:32:38.337 回答
0
如果我正确理解这篇文章，休闲模型和有向图模型（贝叶斯网络）针对工作流程的不同阶段。偶然模型是一种分配依赖关系的方法，以便它们反映因果关系。贝叶斯网络为我们提供了推理技术。因此，可以使用不同的方法进行估计。另一方面，可以使用与 SCM 不同的技术对贝叶斯网络进行建模。
如果您深入研究它，请告诉我们，因为我不完全理解 SCM 的主题（虽然我想:)。
于 2010-01-27T17:40:37.597 回答
0
有向图模型是一种编码变量之间因果关系的方法。概率图形模型是一种以概率方式编码因果关系的方法。我建议阅读由该领域的先驱之一 Judea Pearl 撰写的这本书（我看到你在评论中提到的论文中提到了他）。
有向图只是一个有向图（节点和边）（边有方向）。因果模型是告诉您变量如何相互影响的模型，其中一种方法是使用有向图。人工智能研究表明，确定性因果关系不足以编码我们周围世界的知识，因为它太混乱了。这就是为什么将概率添加到图片中的原因。
于 2010-01-31T21:14:26.830 回答