ترجمه فارسی مقاله کشف ساختار علی مداخله‌ای روی مدل‌های گرافیکی با تضمین همگرایی و بهینگی

چکیده

Learning causal structure from sampled data is a fundamental problem with applications in various fields, including healthcare, machine learning and artificial intelligence. Traditional methods predominantly rely on observational data, but there exist limits regarding the identifiability of causal structures with only observational data. Interventional data, on the other hand, helps establish a cause-and-effect relationship by breaking the influence of confounding variables. It remains to date under-explored to develop a mathematical framework that seamlessly integrates both observational and interventional data in causal structure learning. Furthermore, existing studies often focus on centralized approaches, necessitating the transfer of entire datasets to a single server, which lead to considerable communication overhead and heightened risks to privacy. To tackle these challenges, we develop a bilevel polynomial optimization (Bloom) framework. Bloom not only provides a powerful mathematical modeling framework, underpinned by theoretical support, for causal structure discovery from both interventional and observational data, but also aspires to an efficient causal discovery algorithm with convergence and optimality guarantees. We further extend Bloom to a distributed setting to reduce the communication overhead and mitigate data privacy risks. It is seen through experiments on both synthetic and real-world datasets that Bloom markedly surpasses other leading learning algorithms.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ساختار علی از داده های نمونه برداری یک مشکل اساسی در زمینه کاربردها در زمینه های مختلف از جمله مراقبت های بهداشتی ، یادگیری ماشین و هوش مصنوعی است.روشهای سنتی عمدتاً به داده های مشاهده متکی هستند ، اما در مورد شناسایی ساختارهای علی فقط با داده های مشاهده ای محدودیت هایی وجود دارد.از طرف دیگر داده های مداخله ای با شکستن تأثیر متغیرهای مخدوش ، به برقراری رابطه علت و معلولی کمک می کند.تا به امروز برای تهیه یک چارچوب ریاضی که به طور یکپارچه هم داده های مشاهده و هم مداخله ای را در یادگیری ساختار علی ادغام می کند ، تحت تأثیر قرار گرفته است.علاوه بر این ، مطالعات موجود غالباً بر رویکردهای متمرکز متمرکز است ، که نیاز به انتقال کل مجموعه داده ها به یک سرور واحد دارد ، که منجر به ارتباط قابل توجهی در سربار و افزایش خطرات افزایش یافته به حریم خصوصی می شود.برای مقابله با این چالش ها ، ما یک چارچوب بهینه سازی چند جمله ای صفراوی (Bloom) را توسعه می دهیم.شکوفه نه تنها یک چارچوب قدرتمند مدل سازی ریاضی را فراهم می کند ، که تحت حمایت نظری قرار گرفته است ، برای کشف ساختار علّی از داده های مداخله و مشاهده ای ، بلکه آرزو می کند که یک الگوریتم کشف علیت کارآمد با همگرایی و ضمانت های بهینه باشد.ما بیشتر شکوفه را به یک تنظیم توزیع شده گسترش می دهیم تا سربار ارتباطات را کاهش داده و خطرات حریم خصوصی داده ها را کاهش دهیم.این آزمایش از طریق آزمایشات در هر دو مجموعه داده مصنوعی و واقعی مشاهده می شود که شکوفه های قابل توجهی از سایر الگوریتم های یادگیری پیشرو پیشی می گیرد.