Понимание теории d-разделения в причинных байесовских сетях

15

Я пытаюсь понять логику d-разделения в каузальных байесовских сетях. Я знаю, как работает алгоритм, но я не совсем понимаю, почему «поток информации» работает так, как указано в алгоритме.

введите описание изображения здесь

Например, на графике выше, давайте подумаем, что нам дан только X, и никакой другой переменной не наблюдалось. Затем по правилам d-разделения поток информации от X к D:

X влияет на A, который является . Это нормально, поскольку A вызывает X, и если мы знаем о влиянии X, это влияет на наше убеждение относительно причины A. Информационные потоки. $P(A)\neq P(A|X)$
X влияет на B, который есть . Это нормально, так как A изменилось благодаря нашим знаниям о X, изменение в A также может повлиять на наши убеждения относительно его причины, B. $P(B)\neq P(B|X)$
X влияет на C, который является . Это нормально, потому что мы знаем, что на B оказывают влияние наши знания о его косвенном влиянии, X, и поскольку B смещен на X, это будет влиять на все прямые и косвенные эффекты B. C - это прямое влияние B, и на него влияют наши знания о X. $P(C)\neq P(C|X)$

Ну, до этого момента у меня все в порядке, поскольку поток информации происходит в соответствии с интуитивно понятными причинно-следственными связями. Но я не понимаю особого поведения так называемых V-структур или коллайдеров в этой схеме. В соответствии с теорией d-разделения, B и D являются частыми причинами C на приведенном выше графике, и это говорит о том, что, если мы не наблюдали C или любого из его потомков, информация о потоке из X блокируется в C. Хорошо, хорошо но мой вопрос почему?

Из вышеперечисленных трех шагов, начиная с X, мы увидели, что на C влияют наши знания о X, и поток информации происходил в соответствии с причинно-следственной связью. Теория d-разделения говорит, что мы не можем перейти от C к D, так как C не наблюдается. Но я думаю, что, поскольку мы знаем, что С является предвзятым и D является причиной С, на D тоже следует повлиять, в то время как теория говорит обратное. Я явно что-то упускаю из своего мышления, но не вижу, что это такое.

Поэтому мне нужно объяснение, почему поток информации блокируется на C, если C не наблюдается.

bayesian causality graphical-model bayesian-network Уфук Джан Бичичи
источник

Он не течет от X к D, если только наблюдается X. Вы заявляете это чуть ниже картинки. (Хотя вы правильно опишите это ниже).

Ziggystar

Я уже знаю это, что информационный поток заблокирован в C, где у нас есть "V-структура". То, что я хочу знать, это почему; почему V-структура блокирует поток информации, когда мы не наблюдаем C, с точки зрения причинно-следственной связи.

Уфук Джан Бичичи

6

Разве не интуитивно понятно, что вы не можете рассуждать от причины к ненаблюдаемому следствию к другой причине? Если дождь (B) и разбрызгиватель (D) являются причинами влажного грунта (C), то вы можете утверждать, что видение дождя подразумевает, что земля, вероятно, влажная, и по-прежнему полагать, что дождеватель должен быть включен, так как земля мокрый?! Конечно, нет. Вы утверждали, что земля была мокрой из-за дождя - вы не можете искать дополнительные причины!

Если вы наблюдаете влажную почву, конечно, ситуация меняется. Теперь вы можете рассуждать от одной причины к другой, как объясняет Фрэнк.

Нил Г
источник

4

Давайте на минутку забудем о X и рассмотрим только коллайдер из B, C и D. Причина, по которой v-структура может блокировать путь между B и D, заключается в том, что, как правило, если у вас есть две независимые случайные величины (B и D), которые влияют на один и тот же результат (C), то знание результата может позволить вам сделать выводы о взаимосвязи между случайными переменными, что позволит обеспечить поток информации.

$P(B|D) \neq P(B)$ $P(D|B) \neq P(D)$ ). Следовательно, зная, что газон мокрый, разблокирует дорожку и делает зависимость B и D.

Чтобы лучше это понять, было бы полезно взглянуть на парадокс Берксона , который описывает ту же ситуацию.

FrankD
источник

1) Мне трудно понять, что такое независимая причина, прежде чем что-либо определять относительно D-разделения. Многие авторы определяют D-разделение, используя интуитивно понятные причинно-следственные связи. Я пытаюсь построить систему рассуждений, основанную на том, что я читаю из разных источников, и на основе моей интуиции, чтобы я мог смириться с этой теоремой. Это похоже на следующее: «Если не наблюдается никакой переменной, кроме X, то знание о X может влиять на эффекты X (все потомки), прямые или косвенные причины X (предки) и все другие эффекты причин X».

Уфук Джан Бичичи

2) Я обосновываю эту мысль следующим образом: A) X может влиять на его прямые и косвенные эффекты, очевидно, поскольку разные значения X будут вызывать разные причины. Б) Х может влиять на его прямые и косвенные причины, так как, если мы наблюдаем эффект, мы можем получить новую информацию о причинах, используя диагностический подход. C) X влияет на другие эффекты (исключая себя) всех его прямых и косвенных причин, поскольку знание о X изменило наши представления об этих причинах, что, в свою очередь, влияет на все последствия. Я пытаюсь интерпретировать такие причинно-следственные байесовские сети по этой схеме. Это правильно для начала?

Уфук Джан Бичичи

3) Как будто я пытаюсь сформировать интуитивно понятный шаблон «Информационный поток», чтобы понять поведение переменных в зависимости от независимости. С этим паттерном я не вижу, что такое независимая причина, и именно здесь я застрял. Очевидно, что я что-то упускаю, или я могу быть совершенно не прав с этим образцом мышления.

Уфук Джан Бичичи

Я думаю, что мой первоначальный ответ немного вводил в заблуждение, потому что я назвал B и D «причинами» (сейчас исправлено). Информационный поток - это концепция, которая связана с наблюдениями, а не с причинными вмешательствами. Как вы знаете, две случайные переменные являются независимыми, если наблюдение одной не дает вам информации о второй. Ваши заявления, кажется, объединяют наблюдения и умозаключения. Наблюдение X позволяет нам корректировать наш вывод его родителей (утверждение A) и его прямые причины, но если v-структура блокирует путь, то мы не можем корректировать вывод для косвенных причин, по причинам, описанным выше.

FrankD

1

Ну, до этого момента у меня все в порядке, поскольку поток информации происходит в соответствии с интуитивно понятными причинно-следственными связями. Но я не понимаю особого поведения так называемых V-структур или коллайдеров в этой схеме.

Тогда крепкий орешек - это V-структура. Я хотел бы проиллюстрировать различие между вероятностью переменной S, обусловленной только наблюдением эффекта, и влиянием наблюдения другой переменной D, которая не зависит от S в той же ситуации, на вымышленном примере.

Допустим, кто-то проходит курс, скажем, линейную алгебру. Если он может сдать его, в основном зависит от сложности экзамена. Обозначим событие прохождения курса через P, передавая как 1 и 0 в противном случае; и сложность экзамена как D, сложная как 1 и простая как 0. И что-то бессмысленное может также оказать влияние на его производительность или результат, скажем, сингулярность происходит, и ему промывают мозги машина, а затем решает не делать Сдавать экзамен. Обозначим это событие через S, и его вероятность равна 0,0001. Это кажется невозможным, но по определению его шанс не должен быть нулевым.

Следовательно, теперь у нас есть график формы v-структуры:

 D   S
  | |
 \| |/ 
   P

$P(\neg P|S) = 0.999999$ $P(P|S)=0.000001$

| d0   | d1      |      
|:-----|--------:|   
| 0.5  | 0.5     |  

| s0     | s1      |      
|:-------|--------:|   
| 0.9999 | 0.0001  |

| S     | D    | P(p0|S,D) | P(p1|S,D) |  
|:------|-----:|----------:|----------:|
|s0     | d0   |   0.20    |   0.80    |
|s0     | d1   |   0.90    |   0.10    |
|s1     | d0   |   0.999999|   0.000001|
|s1     | d1   |   0.999999|   0.000001|

$P(S|P)$ $P(S|P, D)$

1) Если мы не знаем результат, мы можем рассчитать вероятность возникновения сингулярности, учитывая, что курс прост.

\begin{aligned} п (S | \neg D) & знак равно п (S, п | \neg D) + п (S, \neg п | \neg D) \\ знак равно \frac{п (S знак равно 1, п знак равно 1, D знак равно 0)}{п (D знак равно 0)} + \frac{п (S знак равно 1, п знак равно 0, D знак равно 0)}{п (D знак равно 0)} \\ знак равно \frac{п (S знак равно 1) п (D знак равно 0 | S знак равно 1) п (п знак равно 1 | D знак равно 0, S знак равно 1)}{п (D знак равно 0)} + \frac{п (S знак равно 1) п (D знак равно 0 | S знак равно 1) п (п знак равно 0 | D знак равно 0, S знак равно 1)}{п (D знак равно 0)} \\ знак равно \frac{п (S знак равно 1) п (D знак равно 0 | S знак равно 1)}{п (D знак равно 0)} \\ знак равно \frac{п (S знак равно 1) п (D знак равно 0)}{п (D знак равно 0)} \\ знак равно п (S знак равно 1) \\ знак равно 0,0001 \end{aligned}

$\begin{align} P(S|\neg D) & = P(S, P|\neg D)+P(S, \neg P| \neg D) \\ & = \frac{P(S=1, P=1, D=0)}{P(D=0)} + \frac{P(S=1, P=0, D=0)}{P(D=0)} \\ & = \frac{P(S=1)P(D=0|S=1)P(P=1|D=0,S=1)}{P(D=0)} + \frac{P(S=1)P(D=0|S=1)P(P=0|D=0,S=1)}{P(D=0)} \\ & = \frac{P(S=1)P(D=0|S=1)}{P(D=0)} \\ & = \frac{P(S=1)P(D=0)}{P(D=0)} \\ & = P(S=1) \\ & = 0.0001 \end{align}$

Как вы можете видеть выше, это не имеет значения, сдан экзамен или нет. Что приходит, как это должно прийти. Это можно рассматривать как предельную вероятность над P.

И мы также можем определить вероятность того, что сингулярность произойдет, если студент не сдает экзамен:

\begin{aligned} п (S, | \neg п) & знак равно \frac{п (S, \neg п)}{п (\neg п)} \\ знак равно \frac{п (S, \neg п, D) + п (S, \neg п, \neg D)}{п (\neg п)} \\ знак равно \frac{п (\neg п | S, D) п (S) п (D) + п (\neg п | S, \neg D) п (S) п (\neg D)}{\underset{S, D}{Σ} п (\neg п | S, D) п (S) п (D)} \\ знак равно 0.0001818 \end{aligned}

$\begin{align} P(S, |\neg P) &= \frac{P(S,\neg P)}{P(\neg P)} \\ &= \frac{P(S,\neg p, D) + P(S,\neg P, \neg D)}{P(\neg P)}\\ &= \frac{P(\neg P|S, D) P(S) P(D)+P(\neg P|S, \neg D)P(S)P(\neg D)}{\sum_{S,D}P(\neg P |S,D)P(S)P(D) }\\ &= 0.0001818 \end{align}$

Зная, что парень не сдает экзамен, мы можем догадаться, что ему может «промыть мозги» с помощью машины, - это 0,0001818, что немного больше, чем когда мы этого не знаем.

2) Но что если мы узнаем, что парень провалил экзамен и экзамен проходит легко?

\begin{aligned} п (S, | \neg п, \neg D) & знак равно \frac{п (S знак равно 1, п знак равно 0, D знак равно 0)}{п (п знак равно 0, D знак равно 0)} \\ знак равно \frac{п (п знак равно 0 | S знак равно 1, D знак равно 0) п (S знак равно 1) п (D знак равно 0)}{п (п знак равно 0 | S знак равно 1, D знак равно 0) п (S знак равно 1) п (D знак равно 0) + п (п знак равно 0 | S знак равно 0, D знак равно 0) п (S знак равно 0) п (D знак равно 0)} \\ знак равно \frac{0.999999 \times 0,0001 \times 0,5}{0.2 \times 0,9999 \times 0,5 + 0.999999 \times 0,0001 \times 0,5} \\ знак равно 0.0004998 \end{aligned}

$\begin{align} P(S, |\neg P, \neg D) &= \frac{P(S=1, P=0, D=0)}{P(P=0, D=0)} \\ & = \frac{P(P=0|S=1, D=0)P(S=1)P(D=0)}{P(P=0|S=1, D=0)P(S=1)P(D=0)+P(P=0|S=0, D=0)P(S=0)P(D=0)} \\ & = \frac{0.999999 \times 0.0001 \times 0.5}{0.2 \times 0.9999 \times 0.5+0.999999 \times 0.0001 \times 0.5} \\ & = 0.0004998 \end{align}$

И вот, изменение намного больше, чем мы знаем, он не сдал экзамен. Тогда мы видим, что $P(S|P) \neq P(S|P, D)$ мы можем сделать вывод, что $S \perp D | P \notin I(P(P, S, D))$ что означает, что D может влиять на S через P.

Пусть этот подробный вывод будет полезен.

Лернер Чжан
источник

Понимание теории d-разделения в причинных байесовских сетях

Ответы: