加性噪声模型中用于发现因果序的尺度不变排序准则
摘要
加性噪声模型（ANMs）是一类用于从观测数据中发现因果关系的常见模型，并常用于生成因果发现基准测试的合成数据。指定一个ANM需要选择所有参数，包括那些未被显式假设固定的参数。Reisach等人（2021）表明，按方差递增对变量排序通常能得到接近因果序的排序，并引入方差可排序性（var-sortability）来量化这种一致性。由于方差递增可能不现实且依赖于尺度，ANM数据在基准测试中常被标准化。我们表明，合成ANM数据的特征在于另一种尺度不变的模式：一个变量方差中可由决定系数 刻画的可解释部分，往往沿因果序递增。其结果是高 可排序性，即按 递增对变量排序可得到接近因果序的排序。我们提出了一种高效的基线算法 -SortnRegress，它利用高 可排序性，能够匹配并超越已建立的因果发现算法的性能。我们从解析上证明，足够大的边权会导致沿因果链噪声贡献的相对减少，从而产生日益确定的关系和高 。我们刻画了不同仿真参数下的 可排序性，并在常见设置中发现其值较高。我们的发现揭示了高 可排序性是关于数据生成过程的一项假设，它与因果发现相关且隐含于许多ANM采样方案中。应将其明确化，因为其在真实世界数据中的普遍性未知。对于因果发现基准测试，我们在库CausalDisco（https://causaldisco.github.io/CausalDisco/）中实现了 可排序性、-SortnRegress算法以及ANM仿真流程。
引用
@article{arxiv.2303.18211,
title = {A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models},
author = {Alexander G. Reisach and Myriam Tami and Christof Seiler and Antoine Chambaz and Sebastian Weichwald},
journal= {arXiv preprint arXiv:2303.18211},
year = {2023}
}
备注
accepted at the 2023 Conference on Neural Information Processing Systems (NeurIPS 2023); cf. https://openreview.net/forum?id=nrbR2F29vU