INVESTIGAÇÃO DO PROBLEMA DE DESCOBERTA CAUSAL POR MEIO DA DETERMINAÇÃO DE HIPERPLANOS DE SEPARAÇÃO

Resumo

Grande parte das pesquisas em aprendizado de máquina atualmente se baseia em associações estatísticas entre variáveis, mas isso pode trazer resultados inesperados ao trabalharmos com correlações espúrias, pares de variáveis que possuem um alto grau de correlação, porém não apresentam nenhuma relação causal, sendo necessária a criação de mais métodos para a descoberta causal. Esta pesquisa investigou abordagens para determinar relações causais a partir de hiperplanos de separação, usando como ferramenta máquinas de vetores de suporte (Support Vector Machines, SVM), procurando evidências para aceitar ou rejeitar duas conjecturas relacionadas à descoberta causal. A partir dessa pesquisa, concluímos que não é possível definir a relação causal com base nos pesos dados a cada variável em uma predição usando SVMs, mas pudemos notar que o desempenho de uma predição está ligado à relação causal, mostrando potencial para filtrar parte dos pares de variáveis que não possuem relação causal.