ฉันกำลังพยายามทำความเข้าใจกับตรรกะการแบ่งแยกในเครือข่าย Causal Bayesian ฉันรู้ว่าอัลกอริทึมทำงานอย่างไร แต่ฉันไม่เข้าใจว่าทำไม "การไหลของข้อมูล" ทำงานตามที่ระบุไว้ในอัลกอริทึม
ตัวอย่างเช่นในกราฟด้านบนสมมติว่าเราได้รับ X เท่านั้นและไม่พบตัวแปรอื่น จากนั้นตามกฎของการแยก d การไหลของข้อมูลจาก X ถึง D:
X อิทธิพลซึ่งเป็นX) ไม่เป็นไรเนื่องจาก A เป็นสาเหตุของ X และหากเราทราบเกี่ยวกับผลกระทบ X สิ่งนี้จะส่งผลต่อความเชื่อของเราเกี่ยวกับสาเหตุ A. ข้อมูลไหล
X มีอิทธิพลต่อ B ซึ่งเป็นX) ไม่เป็นไรเนื่องจากความรู้ของเราเกี่ยวกับ X เปลี่ยนแปลงไป A การเปลี่ยนแปลงที่ A สามารถส่งผลต่อความเชื่อของเราเกี่ยวกับสาเหตุ B เช่นกัน
X มีอิทธิพลต่อ C ซึ่งเป็นX) ไม่เป็นไรเพราะเรารู้ว่า B นั้นลำเอียงโดยความรู้ของเราเกี่ยวกับผลกระทบทางอ้อม X และเนื่องจาก B ถูกทำให้ลำเอียงโดย X สิ่งนี้จะมีผลต่อ B ของผลกระทบทางตรงและทางอ้อมทั้งหมดของ B C เป็นผลโดยตรงของ B และได้รับอิทธิพลจากความรู้ของเราเกี่ยวกับ X
ถึงตอนนี้ทุกอย่างก็โอเคสำหรับฉันตั้งแต่การไหลของข้อมูลเกิดขึ้นตามความสัมพันธ์ที่เป็นเหตุและผล แต่ฉันไม่ได้รับพฤติกรรมพิเศษที่เรียกว่า "โครงสร้าง V" หรือ "Colliders" ในรูปแบบนี้ ตามทฤษฎี d-Separation B และ D เป็นสาเหตุทั่วไปของ C ในกราฟข้างต้นและมันบอกว่าถ้าเราไม่ได้สังเกต C หรือลูกหลานของมันข้อมูลการไหลจาก X จะถูกบล็อกที่ C ดี, OK แต่คำถามของฉันคือทำไม
จากสามขั้นตอนข้างต้นเริ่มต้นจาก X เราเห็นว่า C ได้รับอิทธิพลจากความรู้ของเราเกี่ยวกับ X และการไหลของข้อมูลที่เกิดขึ้นตามความสัมพันธ์ระหว่างสาเหตุและผลกระทบ ทฤษฎีการแยกตัวบอกว่าเราไม่สามารถไปจาก C ถึง D เนื่องจาก C ไม่ได้ถูกสังเกต แต่ฉันคิดว่าเนื่องจากเรารู้ว่า C นั้นเอนเอียงและ D เป็นสาเหตุของ C ดังนั้น D ควรได้รับผลกระทบเช่นกันในขณะที่ทฤษฎีบอกว่าตรงกันข้าม ฉันขาดอะไรบางอย่างในรูปแบบความคิดของฉันอย่างชัดเจน แต่มองไม่เห็นว่ามันคืออะไร
ดังนั้นฉันต้องการคำอธิบายว่าทำไมการไหลของข้อมูลที่ถูกบล็อกที่ C หากไม่ได้สังเกต C