ترجمه فارسی مقاله کشف علت محلی با دانش پیش زمینه

چکیده

Causality plays a pivotal role in various fields of study. Based on the framework of causal graphical models, previous works have proposed identifying whether a variable is a cause or non-cause of a target in every Markov equivalent graph solely by learning a local structure. However, the presence of prior knowledge, often represented as a partially known causal graph, is common in many causal modeling applications. Leveraging this prior knowledge allows for the further identification of causal relationships. In this paper, we first propose a method for learning the local structure using all types of causal background knowledge, including direct causal information, non-ancestral information and ancestral information. Then we introduce criteria for identifying causal relationships based solely on the local structure in the presence of prior knowledge. We also apply out method to fair machine learning, and experiments involving local structure learning, causal relationship identification, and fair machine learning demonstrate that our method is both effective and efficient.

چکیده به فارسی (ترجمه ماشینی)

علیت نقش مهمی در زمینه های مختلف مطالعه دارد.بر اساس چارچوب مدلهای گرافیکی علی ، آثار قبلی پیشنهاد کرده اند که آیا یک متغیر یک علت یا عدم وجود یک هدف در هر نمودار معادل مارکوف تنها با یادگیری یک ساختار محلی است.با این حال ، حضور دانش قبلی ، که اغلب به عنوان یک نمودار علّی جزئی شناخته شده نشان داده می شود ، در بسیاری از برنامه های مدل سازی علی رایج است.استفاده از این دانش قبلی امکان شناسایی بیشتر روابط علی را فراهم می کند.در این مقاله ، ما ابتدا روشی را برای یادگیری ساختار محلی با استفاده از انواع دانش پیش زمینه علیت ، از جمله اطلاعات علیت مستقیم ، اطلاعات غیر مقصد و اطلاعات اجدادی پیشنهاد می کنیم.سپس معیارهایی را برای شناسایی روابط علی صرفاً بر اساس ساختار محلی در حضور دانش قبلی معرفی می کنیم.ما همچنین از روش یادگیری ماشین منصفانه استفاده می کنیم و آزمایشات مربوط به یادگیری ساختار محلی ، شناسایی روابط علیت و یادگیری دستگاه عادلانه نشان می دهد که روش ما هم مؤثر و هم کارآمد است.