Каково различие между причинными моделями и направило графические модели?

Если я понимаю этот пост правильно, случайные модели и направленные Графические модели (байесские сети) нацеливаются на разных этапах рабочего процесса. Случайная модель - это способ назначения зависимостей, которые они отражают причинно-следствие. Байесовские сети предоставляют нам методы вывода. Итак, можно выполнить оценку, используя что-то другое. С другой стороны, можно моделировать Bayesian Networks, используя разные методы, чем SCM.

Если вы копаете это глубже, пожалуйста, дайте нам знать, потому что я не полностью понимаю тему SCM (пока я хотел бы :).

Направленные графические модели - это способ кодирования причинно-следственных связей между переменными. Вероятностные графические модели - это способ кодирования причинно-следственной связи вероятностным способом. Я бы порекомендовал прочитать эту книгу, написанную Иудеей Перл, которая является одним из пионеров в этой области (я вижу, что вы ссылаетесь на статью, которую вы упомянули в комментарии).

ориентированный граф - это просто граф (узлы и ребра), который направлен (ребра имеют направления). причинно-следственные модели - это модели, которые рассказывают вам, как переменные влияют друг на друга. Один из способов сделать это - использовать ориентированные графы. Исследования искусственного интеллекта показали, что детерминированных причинно-следственных связей недостаточно для кодирования знаний об окружающем мире, потому что он слишком беспорядочный. Поэтому в картину добавилась вероятность.

Causality by Judea Pearl - книга, которую нужно прочитать.

Разница в том, что одна - причинно-следственная, а другая - просто статистическая. Прежде чем отбросить меня как члена клуба тавтологии, выслушайте меня до конца.

Направленная вероятностная связь (она же полный набор таблиц условных вероятностей, она же Байесовская сеть) содержит только статистическую информацию. Это означает, что все, что вы можете заключить из таблицы совместной вероятности, вы можете заключить из направленного вероятностного отношения, ни больше, ни меньше. Эти два понятия эквивалентны.

Причинно-следственная связь - это нечто совершенно иное. Причинно-следственная связь (она же причинная байесовская сеть) должна определять, что произойдет при вмешательстве любой переменной. Вмешательство - это когда переменная принудительно принимает значение, выходящее за рамки нормального влияния модели. Это эквивалентно замене условной вероятности для принудительной переменной (или переменных, но для простоты мы рассматриваем только одну) новой таблицей, в которой переменная принимает свое вынужденное значение с вероятностью один.

Если это не имеет смысла, пожалуйста, уточните, и я поясню.

Этот раздел добавлен, чтобы ответить на вопросы Нила в комментариях

Нил спрашивает:

Как можно определить направление направленных вероятностных отношений не выполняя вмешательства? В Другими словами, разве направленная графическая модель имеет причинно-следственную информация (т.е. информация о вероятностях, обусловленных вмешательства?)

Вы можете определить направление направленных вероятностных связей, сделав дополнительные нестатистические предположения. Эти предположения обычно включают: предположение об отсутствии скрытых переменных, и, что действительно важно, предположение о том, что отношения условной независимости, найденные в совместном распределении, являются устойчивыми (то есть они существуют не случайно или не отменяются). Байесовские сети не делают таких предположений.

Для получения подробной информации о том, как восстановить направления, изучите алгоритмы IC, PC и IC*. Я полагаю, что конкретные детали IC рассматриваются в: "A Theory of Inferred Causation"