GES Algoritması — Nedensel Keşif için Açgözlü Eşdeğerlik Arama
Greedy Equivalence Search (GES) · Ayrıca şöyle bilinir: Greedy Equivalence Search, GES Causal Discovery, Score-Based Greedy Search, Açgözlü Eşdeğerlik Araması
Açgözlü Eşdeğerlik Arama (GES), gözlemsel verilerden bir değişken kümesinin nedensel yapısını öğrenmek için kullanılan, skor tabanlı bir algoritmadır. David Maxwell Chickering tarafından 2002 yılında tanıtılan GES, yönlendirilmiş döngüsel olmayan grafiklerin (DAG'ler) Markov eşdeğerlik sınıfları üzerinde doğrudan çalışır ve bu sınıfları tamamlanmış kısmen yönlendirilmiş döngüsel olmayan grafikler (CPDAG'ler) olarak temsil eder. Nedensel yeterlilik ve sadık bir veri üretim süreci varsayımları altında, GES'in büyük örneklem limitinde gerçek eşdeğerlik sınıfını kurtardığı kanıtlanmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli veya ayrık gözlemsel verileriniz olduğunda, gizli karıştırıcı faktörler olmadığını varsaydığınızda (nedensel yeterlilik) ve nedensel yapıyı kurtarmak için kanıtlanabilir tutarlı bir yönteme ihtiyacınız olduğunda GES'i kullanın. Orta büyüklükteki değişken kümeleri (onlarca ila yüzlerce değişken) için oldukça uygundur ve örneklem boyutları küçük olduğunda kısıt tabanlı yöntemlerden daha iyi performans gösterir. Gizli ortak nedenlerden şüphelenildiğinde (bunun yerine FCI'yi düşünün) veya değişken sayısı çok büyük olduğunda, arama alanı süper-üstel olarak büyüdüğü için GES daha az uygundur. Ayrıca, verilere uygun, iyi tanımlanmış, ayrıştırılabilir bir skorlama fonksiyonu gerektirir.
Güçlü yönler & sınırlılıklar
- Kanıtlanmış tutarlılık: nedensel sadakat ve yeterlilik altında, büyük örneklem limitinde gerçek Markov eşdeğerlik sınıfını kurtarır
- Skor tabanlı arama, PC gibi kısıt tabanlı yaklaşımlarda yaygın olan çoklu test sorunlarını önler
- İki aşamalı yapı, aramanın boş grafikten başlamasını ve monoton bir şekilde ilerlemesini garanti ederek birçok yerel optimumdan kaçınır
- Doğrudan bir CPDAG çıktısı verir, tanımlanabilir ve tanımlanamaz kenarları açıkça belirtir
- Nedensel yeterlilik varsayar: gizli karıştırıcı faktörler veya seçim yanlılığı yanlış yapılar üretebilir
- Hesaplama maliyeti değişken sayısıyla kötü bir şekilde ölçeklenir; büyük grafikler için yaklaşımlar olmadan kesin arama uygulanamaz kalır
- Doğru belirtilmiş, ayrıştırılabilir bir skor gerektirir; yanlış belirtilmiş skorlar yanlı yapı kurtarımına yol açar
- Sadakat varsayımı, deterministik sistemlerde veya neredeyse deterministik ilişkilerde ihlal edilebilir, bu da kenar atlamalarına neden olabilir
SSS
GES, PC algoritmasından nasıl farklıdır?
Her ikisi de aynı CPDAG çıktısını hedefler, ancak GES skor tabanlı iken PC kısıt tabanlıdır (koşullu bağımsızlık testleri). GES, test hatalarının birikmesini önlediği için küçük örneklem boyutlarında daha iyi performans gösterme eğilimindedir, oysa PC seyrek yüksek boyutlu grafiklerde daha hızlı olabilir. İki yaklaşım tamamlayıcıdır ve nedensel keşif çalışmalarında genellikle karşılaştırma ölçütü olarak kullanılır.
GES'in küresel olarak optimal grafiği bulması garanti midir?
Nedensel sadakat ve yeterlilik altında, GES'in doğru Markov eşdeğerlik sınıfını asimptotik olarak kurtardığı kanıtlanmıştır. Sonlu örneklemlerde, skor alanı yanıltıcı yerel platolara sahipse açgözlü arama küresel optimumu kaçırabilir, ancak ampirik olarak GES, orta büyüklükteki grafiklere kadar kesin yöntemlerle rekabetçidir.
GES, Gauss olmayan veya doğrusal olmayan verileri işleyebilir mi?
Klasik GES, doğrusal-Gauss BIC skoru kullanır ve modifikasyon olmadan doğrusal olmayan veya Gauss olmayan veriler için tutarlı değildir. Çekirdek GES (HSIC tabanlı skorlar kullanarak) ve doğrusal olmayan GES varyantları gibi uzantılar bu sorunu ele alır, ancak hesaplama maliyetini artırır ve bazı teorik garantilerden ödün verebilirler. Güçlü bir şekilde Gauss olmayan doğrusal veriler için, LiNGAM tabanlı yöntemler genellikle tercih edilir.
Kaynaklar
- Chickering, D. M. (2002). Optimal structure identification with greedy search. Journal of Machine Learning Research, 3, 507–554. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Greedy Equivalence Search (GES). ScholarGate. https://scholargate.app/tr/causal-inference/ges-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes AğıBayesçi↔ karşılaştır
- NOTEARS: Nedensel Yapı Öğrenimi için Sürekli OptimizasyonNedensel çıkarım↔ karşılaştır