ขอบของกราฟไซโคลชี้นำเป็นตัวแทนของเวรกรรมหรือไม่?

ฉันกำลังเรียนแบบจำลองความน่าจะเป็นหนังสือสำหรับศึกษาด้วยตนเอง ขอบในกราฟไซเคิลกำกับ (DAG)แสดงถึงความสัมพันธ์เชิงสาเหตุหรือไม่?

ถ้าฉันต้องการสร้างเครือข่ายแบบเบย์แต่ฉันไม่แน่ใจเกี่ยวกับทิศทางของลูกศรในนั้น ข้อมูลทั้งหมดจะบอกฉันว่าเป็นความสัมพันธ์ที่สังเกตไม่ใช่การเชื่อมโยงระหว่างกัน ฉันรู้ว่าฉันถามมากเกินไปเนื่องจากฉันแน่ใจว่าการติดตามบทจะช่วยแก้ไขปัญหาเหล่านี้ได้ แต่เป็นเพียงสิ่งที่ฉันไม่สามารถหยุดคิดได้

อัลกอริธึมการเรียนรู้โครงสร้างจำนวนมากสามารถทำคะแนนโครงสร้างการแข่งขันได้ถึงการเทียบเท่ามาร์คอฟและเป็นผลให้เป็นไปไม่ได้ที่จะเรียนรู้ DAG ที่ไม่เหมือนใครสำหรับเครือข่าย Bayesian (BN) โดยอาศัยข้อมูลเพียงอย่างเดียว Spirtes และคณะ คำนี้ปัญหาในฐานะ " สถิติแยกไม่ออก " หารือในระยะเวลาในหนังสือของพวกเขา

ฉันใช้มุมมองที่ขอบใน DAG ส่วนใหญ่ควรตีความว่าเป็นการพึ่งพาความน่าจะเป็นที่ยังให้ความเข้าใจเชิงลึกเกี่ยวกับความสัมพันธ์เชิงสาเหตุ ซึ่งสอดคล้องกับมุมมองของผู้สนับสนุนของ 'สาเหตุ' Bayesian Networks (รวมถึงจูเดียเพิร์ล) ที่ปกป้องว่าการกระจายความน่าจะเป็นตัวแทนของ BN มีโครงสร้างพื้นฐานสาเหตุ

ข้อความกลับบ้านคือไม่มีข้อตกลงการครอบคลุมในเรื่องนี้ แต่ฉันเดาว่ามุมมองที่ฉันแชร์ไว้ด้านบนนั้นปลอดภัยกว่า

ฉันวาดเพียงเส้นขอบถ้าฉันยินดีที่จะถือว่าความสัมพันธ์เป็นสาเหตุ สมมติฐานของหลักสูตรนี้ไม่สามารถตรวจสอบได้โดยข้อมูลเชิงสังเกตการณ์ แต่ด้วยการทำให้ชุดของความสัมพันธ์เชิงสาเหตุที่เป็นสมมติฐานเป็นรูปเป็นร่างฉันสามารถระบุตัวแปรที่จะปรับใช้เพื่อให้การอนุมานสาเหตุที่ดีที่สุดเกี่ยวกับความสัมพันธ์ที่กำหนดในกราฟ จากมุมมองของฉันถ้า DAG เป็นจริง (ใหญ่ถ้าโดยเฉพาะอย่างยิ่งบิต acylic) จากนั้นสังเกตความสัมพันธ์ระหว่างตัวแปรควรมีลักษณะบางอย่าง; แต่มันก็ยังคงเป็นสิ่งที่น่าสนใจอย่างสมบูรณ์และฉันไม่เห็นคุณค่าของสิ่งที่เป็นนามธรรมหากคุณเพิ่มลูกศรที่ไม่สะท้อนความสัมพันธ์เชิงสาเหตุที่ตั้งสมมติฐานไว้

ใช่ขอบใน DAG แสดงถึงความสัมพันธ์เชิงสาเหตุ พิจารณาขอบที่จะไปจากนี้หมายความว่า'สาเหตุ' BA $A\rightarrow B$$A$$B$

นอกจากนี้ยังเป็นไปไม่ได้ที่จะสร้างเครือข่าย Bayes ที่ไม่เหมือนใครเนื่องจากข้อมูลเพียงอย่างเดียวเนื่องจากความคิดที่แตกต่างกันอาจนำไปสู่การสร้างกราฟที่แตกต่างกัน

ทรัพยากรที่ดีสำหรับการเรียนรู้เพิ่มเติมเกี่ยวกับการนี้สามารถพบได้ที่นี่

ดังที่ Zhubarb กล่าวไม่มีข้อตกลงที่ครอบคลุมในเรื่องนี้ ดังนั้นฉันจะพูดถึงอีกมุมมองหนึ่งที่ยังไม่ได้รับการคุ้มครอง สำหรับ DAG เชิงสาเหตุโครงสร้างเชิงสาเหตุมักถูกพิจารณาว่าเข้ารหัสโดยไม่มีลูกศร ภายใต้กรอบนี้ลูกศรอาจเป็นสาเหตุหรือไม่ แต่ลูกศรที่หายไปจะต้องเชื่ออย่างแรงกล้าหรือรู้ว่าไม่ใช่สาเหตุ สิ่งนี้อาจไม่สามารถใช้ได้อย่างกว้างขวางกับเครือข่ายแบบเบย์ แต่เนื่องจากคุณเริ่มคำถามโดยทั่วไปฉันคิดว่ามันน่าสังเกต

นอกจากนี้หากคุณต้องการเรียนรู้เครือข่ายคุณจะไม่สามารถบอกทิศทางของลูกศรได้เนื่องจากการเชื่อมโยงจะไหลไปตามลูกศร คุณต้องตั้งสมมติฐานเกี่ยวกับทิศทางหรือกำหนดข้อมูลบางอย่างเกี่ยวกับการจัดลำดับทางโลก