Découverte causale globale hybride avec recherche locale

Apprendre le graphe dirigé acyclique unique correspondant à un modèle causal inconnu est une tâche difficile. Les méthodes basées sur les modèles causaux fonctionnels peuvent identifier un graphe unique, mais souffrent soit de la malédiction de la dimensionnalité, soit imposent des hypothèses paramétriques fortes. Pour relever ces défis, nous proposons une approche hybride novatrice pour la découverte causale globale dans des données observationnelles qui exploite les sous-structures causales locales. Nous présentons d'abord un algorithme de tri topologique qui exploite les relations ancestrales dans les modèles d'équations structurelles linéaires afin d'établir un ordre hiérarchique compact descendant, codant plus d'informations causales que les ordres linéaires produits par les méthodes existantes. Nous démontrons que cette approche se généralise aux contextes non linéaires avec un bruit arbitraire. Nous introduisons ensuite un algorithme non paramétrique basé sur des contraintes qui élaguent les arêtes trompeuses en recherchant des ensembles de conditionnement locaux, obtenant une précision supérieure aux méthodes actuelles. Nous fournissons des garanties théoriques pour la correction et les complexités en temps polynomial dans le pire des cas, avec une validation empirique sur des données synthétiques.