面向因果学习的目标导向序贯贝叶斯实验设计
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
精选理由
面向特定因果问题规划实验序列，能以更少实验更高效地获取关键因果信息。
AI 摘要
arXiv:2507.07359v2 公告类型：替换 摘要：我们提出 GO-CBED，一种用于序贯因果实验设计的目标导向贝叶斯框架。传统方法选择干预措施旨在推断完整的因果模型，而 GO-CBED 则直接最大化用户指定的感兴趣因果量的期望信息增益（EIG），从而实现更具针对性、更高效的实验。该框架既具有非短视性，能够对整个干预序列进行优化，又具有目标导向性，仅聚焦于模型中与因果查询相关的方面。为解决精确计算 EIG 难以求解的问题，我们引入了一种变分下界估计器，通过基于 Transformer 的策略网络和基于归一化流的变分后验进行联合优化。由此得到的策略通过摊销网络实现实时决策。我们证明，在各种因果推理与发现任务中，包括合成结构因果模型和半合成基因调控网络，GO-CBED 的表现始终优于现有基线方法，尤其是在实验预算有限且因果机制复杂的情境下。我们的结果凸显了将实验设计目标与具体研究目标相匹配以及采用前瞻性序贯规划的优势。