Aprendizado de Abstrações Causais de Modelos Causais Estruturais Lineares

A necessidade de modelar conhecimento causal em diferentes níveis de granularidade surge em várias configurações. A Abstração Causal fornece uma estrutura para formalizar esse problema ao relacionar dois Modelos Causais Estruturais em diferentes níveis de detalhe. Apesar do crescente interesse em aplicar abstração causal, por exemplo, na interpretabilidade de grandes modelos de aprendizado de máquina, as condições gráficas e paramétricas nas quais um modelo causal pode abstrair outro não são conhecidas. Além disso, aprender abstrações causais a partir de dados ainda é um problema em aberto. Neste trabalho, abordamos ambas as questões para modelos causais lineares com funções de abstração lineares. Primeiro, caracterizamos como os coeficientes de baixo nível e a função de abstração determinam os coeficientes de alto nível e como o modelo de alto nível restringe a ordenação causal das variáveis de baixo nível. Em seguida, aplicamos nossos resultados teóricos para aprender modelos causais de alto e baixo nível e suas funções de abstração a partir de dados observacionais. Em particular, introduzimos o Abs-LiNGAM, um método que aproveita as restrições induzidas pelo modelo de alto nível aprendido e pela função de abstração para acelerar a recuperação do modelo de baixo nível maior, sob a suposição de termos de ruído não gaussiano. Em configurações simuladas, mostramos a eficácia de aprender abstrações causais a partir de dados e o potencial do nosso método em melhorar a escalabilidade da descoberta causal.