ترجمه فارسی مقاله شناسایی کارآمد والدین علیت مستقیم از طریق عدم تداخل و حداقل آزمایش خطا

چکیده

Invariant causal prediction (ICP) is a popular technique for finding causal parents (direct causes) of a target via exploiting distribution shifts and invariance testing (Peters et al., 2016). However, since ICP needs to run an exponential number of tests and fails to identify parents when distribution shifts only affect a few variables, applying ICP to practical large scale problems is challenging. We propose MMSE-ICP and fastICP, two approaches which employ an error inequality to address the identifiability problem of ICP. The inequality states that the minimum prediction error of the predictor using causal parents is the smallest among all predictors which do not use descendants. fastICP is an efficient approximation tailored for large problems as it exploits the inequality and a heuristic to run fewer tests. MMSE-ICP and fastICP not only outperform competitive baselines in many simulations but also achieve state-of-the-art result on a large scale real data benchmark.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی علیت ثابت (ICP) یک تکنیک محبوب برای یافتن والدین علی (علل مستقیم) یک هدف از طریق سوء استفاده از تغییرات توزیع و آزمایش های تغییر ناپذیری است (پیترز و همکاران ، 2016).با این حال ، از آنجا که ICP نیاز به انجام تعداد نمایی از آزمایشات دارد و در هنگام تغییر توزیع فقط بر چند متغیر تأثیر نمی گذارد ، والدین را شناسایی نمی کند ، استفاده از ICP برای مشکلات در مقیاس بزرگ عملی چالش برانگیز است.ما MMSE-ICP و FASTICP را پیشنهاد می کنیم ، دو رویکرد که از نابرابری خطا برای رفع مشکل شناسایی ICP استفاده می کنند.نابرابری بیان می کند که حداقل خطای پیش بینی پیش بینی کننده با استفاده از والدین علی ، کوچکترین در بین کلیه پیش بینی کننده هایی است که از فرزندان استفاده نمی کنند.FasticP یک تقریب کارآمد متناسب با مشکلات بزرگ است زیرا از نابرابری و اکتشافی برای انجام آزمایش های کمتری بهره می برد.MMSE-ICP و FASTICP نه تنها از خطوط رقابتی در بسیاری از شبیه سازی ها بهتر عمل می کنند بلکه در یک معیار داده واقعی در مقیاس بزرگ به نتیجه پیشرفته می رسند.