基于反事实推理的可识别成本感知因果决策框架（MiCCD）

本文提出了一种创新的最小成本因果决策（MiCCD）框架，通过反事实推理（Counterfactual Reasoning）解决系统异常状态下的决策优化问题。该框架利用因果图构建替代模型（Surrogate Model），并采用序列最小二乘规划（SLSQP）算法进行成本感知干预策略优化，在合成和真实数据集上验证了其在F1分数、成本效益和排序质量（nDCG@k）方面的优越性。

Highlight

• •
  1. 1.
     提出了一种新颖的成本感知决策框架MiCCD，将反事实推理与干预优化相结合，以解决异常恢复问题。
• •
  1. 2.
     开发了一个替代模型来近似潜在的因果关系，从而能够对干预结果进行反事实估计。通过定义的必要概率和成本感知公式来量化干预的必要性和可行性。
• •
  1. 3.
     在合成和真实世界数据集上进行了广泛的实验验证，证明了MiCCD与现有方法相比具有优越的性能和成本效益。

相关研究 (Related Work)

强化学习 (RL) 方法。强化学习 (RL) 包含多种方法，每种方法都旨在通过在线或离线的试错过程来学习，以解决决策任务。在传统RL中，决策策略通过与环境直接在线交互（称为在线学习）进行优化，其中智能体通过实时探索和利用环境来学习。典型方法包括深度Q网络 (DQN)、信任区域策略优化 (TRPO) 和近端策略优化 (PPO)。然而，这些探索性策略通常涉及大量成本并可能引发伦理问题。离线RL试图从固定的、预先收集的数据集中学习策略，而无需进一步的环境交互，但面临分布偏移和外推误差的挑战。

根本原因分析 (RCA) 方法。基于相关性的RCA方法由于缺乏因果基础，存在识别虚假依赖关系的风险，而因果RCA通常仅根据根本原因推荐行动，而未考虑当前状态下的可行性或成本。关键的挑战仍然存在：不仅仅是诊断异常，还要识别有效、可行且成本效益高的干预措施。

问题表述 (Problem Formulation)

基于因果关系的决策依赖于特定的因果结构，通常由变量上的有向无环图 (DAG) 表示。考虑随机变量 X = {X₁, ⋯, X_d} 及其索引集 V := {1, ⋯, d}。图 G = (V, E) 由节点 V 和边 E ⊆ V × V 组成，对于任意 i, j ∈ V，若 (i, j) ∈ E 且 (j, i) ∉ E，则称节点 i 是 j 的父节点。j 的父节点集合记为 PA_j^G。因果性的图表示形式化讨论如下：

定义 1 结构因果模型 (Structural Causal Models)

一个结构因果模型...

最小成本因果决策框架 (The Minimum Cost Causal Decision Framework)

本节介绍了最小成本因果决策 (MiCCD) 框架，旨在解决两个关键挑战：(1) 因果结构下反事实的可识别性，以及 (2) 成本感知干预的优化，以确定最小成本决策。

实验 (Experiments)

本节首先描述了实验中使用的数据集、基线方法和评估指标。随后提供了数值结果和深入讨论，以解决以下关键研究问题：

Q1. 与现有基线相比，MiCCD在泛化设置中的表现如何？

Q2. 在基于干预策略的指导下，根本原因分析的有效性如何？

Q3. MiCCD框架的每个组成部分在多大程度上对整体性能有所贡献？

结论 (Conclusion)

最小成本因果决策 (MiCCD) 框架被引入作为一种创新范式，用于处理复杂异常出现场景（包括人工智能运维和维护）中的决策问题。MiCCD将因果推理与连续优化相结合，以解决在实现预期结果的同时最小化干预成本的挑战。该框架包含两个主要组成部分：(a) 一个通过异常状态聚类标签近似真实世界因果关系的替代模型...