基于偏度的因果发现中异方差噪声处理准则
机器学习
2025-04-22 v2 统计方法学
机器学习
摘要
现实世界的数据常常违反等方差假设（同方差性），因此在因果发现中考虑异方差噪声至关重要。在这项工作中，我们探索了异方差对称噪声模型(HSNM)，其中效应被建模为，为原因，为服从对称分布的独立噪声。我们引入了一个基于数据分布得分（即对数密度的梯度）偏度的新准则来识别HSNM。该准则建立了一个计算上易处理的度量，该度量在因果方向上为零，而在反因果方向上非零，从而能够发现因果方向。我们将这个基于偏度的准则扩展到多元设置，并提出了SkewScore算法，该算法无需提取外生噪声即可处理异方差噪声。我们还对存在潜在混杂因子的双变量模型中SkewScore的鲁棒性进行了案例研究，为其性能提供了理论见解。实证研究进一步验证了所提方法的有效性。
引用
@article{arxiv.2410.06407,
title = {A Skewness-Based Criterion for Addressing Heteroscedastic Noise in Causal Discovery},
author = {Yingyu Lin and Yuxing Huang and Wenqin Liu and Haoran Deng and Ignavier Ng and Kun Zhang and Mingming Gong and Yi-An Ma and Biwei Huang},
journal= {arXiv preprint arXiv:2410.06407},
year = {2025}
}