ОЦІНКА СТУПЕНЯ ВПЛИВУ МІЖ ПАРАМЕТРАМИ СТРУКТУРНО-ПРИЧИННОЇ МОДЕЛІ
DOI: 10.31673/2412-4338.2023.030011
Анотація
Причинно-наслідкові зв’язки лежать в основі сучасної науки та здатності навчати комп’ютери міркуванню подібному до людського. Дослідження причинності у поєднанні з сучасними досягненнями машинного навчання може значно прискорити науковий прогрес. Сучасні наукові досягнення підкреслюють важливість не лише встановлення причинності, а й оцінки ступеня впливу між причинно-наслідковими зв’язками.
В роботі поставлено інтервенційне та контрфактичне запитання: «Як зміняться значення параметрів моделі внаслідок впливу досліджуваного фактора?» та «На який фактор необхідно вплинути для найшвидшої зміни значення досліджуваного параметра моделі?». Відповівши на ці питання, можна сформулювати більш точні гіпотези та прискорити їх перевірку.
У статті запропоновано метод оцінки ступеня впливу між параметрами структурно-причинної моделі, який вирішує проблему виявлення найбільш впливових факторів, а також удосконалює дослідження причинно-наслідкових зв’язків між параметрами, що дозволить покращити прогнозування та управління досліджуваною моделлю. Запропонований підхід представлення даних у структурно-причинній моделі дозволяє робити висновки про те, що є причиною, а що – наслідком і враховувати вплив як прямих, так і непрямих причинно-наслідкових зв’язків. Оцінка ступеня впливу визначає найбільш значущі параметри та найменш впливові фактори. Отже, прогнозування змін значень параметрів моделі стає більш передбачуваним і контрольованим. В процесі оптимізації моделі можна виконати умовне ігнорування найменш впливових параметрів.
Ключові слова: причинно-структурна модель, причинно-наслідкові зв’язки, машинне навчання.
Список літератури:
1. von Kügelgen, Julius, Luigi Gresele, and Bernhard Schölkopf. "Simpson's paradox in Covid-19 case fatality rates: a mediation analysis of age-related causal effects." IEEE Transactions on Artificial Intelligence. 2021. Vol. 2, № 1. P. 18-27.
2. Беспала О. М. Інструментарій причинно-наслідкового висновку: огляд та перспективи. Control systems and computers. 2020. № 5. С. 52 – 63. ISSN 2706-8145 DOI: 10.15407 / csc.2020.05.052.
3. Беспала О. М. Метод пошуку та оцінки впливу причинно-наслідкових зв’язків в системах прийняття рішень. Вісник НТУ "ХПІ". Серія: Інформатика та моделювання. 2020. № 1 (3). С. 59 – 72. ISSN 2079-0031 (Print), ISSN 2411-0558 (Online).
4. Manta, D. C., Hu, E. J., & Bengio, Y. GFlowNets for Causal Discovery: an Overview. In ICML 2023 Workshop on Structured Probabilistic Inference{\&} Generative Modeling. 2023, July.
5. Morandé, S., & Tewari, V. Causality in Machine Learning: Innovating Model Generalization through Inference of Causal Relationships from Observational Data. Qeios. 2023.
6. Wang, H., Fu, T., Du, Y., Gao, W., Huang, K., Liu, Z., ... & Zitnik, M. Scientific discovery in the age of artificial intelligence. Nature. 2023. № 620(7972). P. 47-60.
7. Schölkopf, B., Locatello, F., Bauer, S., Ke, N. R., Kalchbrenner, N., Goyal, A., Bengio, Y. Toward causal representation learning. Proceedings of the IEEE. 2021. Vol. 109, № 5. P. 612-634.
8. Matthews, Robert. «Storks deliver babies (p= 0.008).» Teaching Statistics. 2000. Vol. 22.2 P. 36-38.
9. Pearl, J. Causality. Cambridge university press. 2009. P. 478.
10. Про затвердження методичних рекомендацій «Оцінка ризику для здоров'я населення від забруднення атмосферного повітря»: Наказ Міністерства охорони здоров'я України від 13.04.2007 N 184.
