ترجمه فارسی مقاله کشف علیت دو به دو بدون نظارت روی داده‌های ناهمگن با استفاده از معیارهای اطلاعات متقابل

چکیده

A fundamental task in science is to determine the underlying causal relations because it is the knowledge of this functional structure what leads to the correct interpretation of an effect given the apparent associations in the observed data. In this sense, Causal Discovery is a technique that tackles this challenge by analyzing the statistical properties of the constituent variables. In this work, we target the generalizability of the discovery method by following a reductionist approach that only involves two variables, i.e., the pairwise or bi-variate setting. We question the current (possibly misleading) baseline results on the basis that they were obtained through supervised learning, which is arguably contrary to this genuinely exploratory endeavor. In consequence, we approach this problem in an unsupervised way, using robust Mutual Information measures, and observing the impact of the different variable types, which is oftentimes ignored in the design of solutions. Thus, we provide a novel set of standard unbiased results that can serve as a reference to guide future discovery tasks in completely unknown environments.

چکیده به فارسی (ترجمه ماشینی)

یک کار اساسی در علم تعیین روابط علیت اساسی است زیرا این دانش این ساختار عملکردی است که با توجه به ارتباطات ظاهری در داده های مشاهده شده منجر به تفسیر صحیح اثر می شود.به این معنا ، کشف علی تکنیکی است که با تجزیه و تحلیل خصوصیات آماری متغیرهای تشکیل دهنده ، این چالش را برطرف می کند.در این کار ، ما با پیروی از یک رویکرد کاهش گرایانه که فقط شامل دو متغیر است ، یعنی تنظیمات زوج یا دو متغیر ، تعمیم پذیری روش کشف را هدف قرار می دهیم.ما نتایج اصلی فعلی (احتمالاً گمراه کننده) را بر این اساس زیر سوال می بریم که آنها از طریق یادگیری تحت نظارت به دست می آیند ، که احتمالاً برخلاف این تلاش واقعاً اکتشافی است.در نتیجه ، ما با استفاده از اقدامات قوی اطلاعات متقابل ، و مشاهده تأثیر انواع متغیر مختلف ، که اغلب در طراحی راه حل ها نادیده گرفته می شود ، به این مشکل به روشی بدون نظارت نزدیک می شویم.بنابراین ، ما مجموعه جدیدی از نتایج بی طرفانه استاندارد را ارائه می دهیم که می تواند به عنوان مرجع برای هدایت کارهای کشف آینده در محیط های کاملاً ناشناخته باشد.