Dissertação
Causal Discovery on Categorical Data with Geometric Complexity EVALUATED
A descoberta de relações causais a partir de dados observacionais é crucial em vários domínios científicos. Embora tenham sido feitos progressos significativos na descoberta de relações causais entre pares para dados contínuos, os dados categóricos têm recebido menos atenção. Esta dissertação aborda esta lacuna através da introdução de uma nova abordagem concebida para dados categóricos. O nosso método utiliza princípios da teoria da informação e da complexidade geométrica, proporcionando uma aproximação mais fina do que a complexidade estocástica, para aproximar o comprimento da transmissão. Para estabelecer uma relação causal entre duas variáveis a partir de amostras conjuntas, começamos com o modelo de ruído aditivo (ANM), que assume que uma variável é uma função da outra mais algum ruído independente. Se transmitirmos as amostras enviando os valores da causa, seguidos de uma descrição da função e depois os resíduos, o total de bits transmitidos para este modelo será a soma do comprimento de cada uma destas partes. Comparando o comprimento da codificação deste modelo com a hipótese alternativa, inferimos a causalidade com base no princípio de que uma codificação mais simples indica a direção causal, de acordo com a navalha de Occam. Propomos também um método não funcional, que não se baseia na independência do ruído e tenta encontrar o conjunto de suporte para cada valor na distribuição da causa que conduziria à melhor compressão. Através de experiências com dados sintéticos, de referência e reais, demonstramos que o nosso método bate ou pelo menos iguala técnicas existentes.
junho 27, 2024, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Alexandra Sofia Martins de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar