加性噪声模型中的基于评分的因果学习
机器学习
2017-12-05 v3
摘要
给定从若干变量采样的数据，人们通常对以有向无环图形式呈现的底层因果关系感兴趣。在一般情况下，若不对某些变量进行干预，只能将图识别到其马尔可夫等价类。然而，在某些情形下，仅从观测数据就能找到真实的因果图，例如在具有加性噪声和非线性边函数的结构方程模型中。目前实现这一目标的大多数方法依赖于非参数独立性检验。其中一个问题是原假设为独立性，而这正是人们希望获得证据支持的。我们在工作中采用了一种不同的方法，将惩罚似然作为模型选择的评分。这在许多场景下是实际可行的，并且具有能够对候选模型进行自然排序的优势。在对概率密度空间施加平滑性假设时，我们证明了惩罚最大似然估计量的一致性。我们还展示了模拟场景和真实二维数据集（因果对）的实证结果，在这些结果中我们获得了与其他最先进方法相似的性能。
引用
@article{arxiv.1311.6359,
title = {Score-based Causal Learning in Additive Noise Models},
author = {Christopher Nowzohour and Peter Bühlmann},
journal= {arXiv preprint arXiv:1311.6359},
year = {2017}
}