Caracterización y aprendizaje de grafos causales a partir de intervenciones duras

Un desafío fundamental en las ciencias empíricas implica descubrir la estructura causal mediante la observación y la experimentación. El descubrimiento causal implica vincular las invariancias de independencia condicional (IC) en datos observacionales con sus correspondientes restricciones gráficas a través de d-separación. En este artículo, consideramos un escenario general donde tenemos acceso a datos de múltiples distribuciones experimentales que resultan de intervenciones duras, así como potencialmente de una distribución observacional. Comparando diferentes distribuciones intervencionales, proponemos un conjunto de restricciones gráficas que están fundamentalmente vinculadas al do-cálculo de Pearl dentro del marco de intervenciones duras. Estas restricciones gráficas asocian cada estructura gráfica con un conjunto de distribuciones intervencionales que son consistentes con las reglas del do-cálculo. Caracterizamos la clase de equivalencia intervencional de grafos causales con variables latentes e introducimos una representación gráfica que puede usarse para determinar si dos grafos causales son equivalentes intervencionalmente, es decir, si están asociados con la misma familia de distribuciones intervencionales duras, donde los elementos de la familia son indistinguibles usando las invariancias del do-cálculo. También proponemos un algoritmo de aprendizaje para integrar múltiples conjuntos de datos provenientes de intervenciones duras, introduciendo nuevas reglas de orientación. El objetivo de aprendizaje es una tupla de grafos aumentados que implica un conjunto de grafos causales. También demostramos la validez del algoritmo propuesto.