基于核的近似条件独立性检验用于快速非参数因果发现
统计方法学
2017-04-14 v2 机器学习
摘要
基于约束的因果发现（CCD）算法需要快速且准确的条件独立性（CI）检验。核条件独立性检验（KCIT）目前是非参数设定下最流行的CI检验之一，但许多研究者无法将KCIT用于大型数据集，因为该检验的计算复杂度随样本量呈立方增长。因此，我们设计了两种松弛方法，称为随机条件独立性检验（RCIT）和随机条件相关性检验（RCoT），二者均利用随机傅里叶特征来近似KCIT。在实践中，这两种所提检验的计算复杂度随样本量线性增长，并在大样本量情形下比KCIT更快地返回准确的p值。使用RCIT或RCoT运行的CCD算法所返回的图至少与用KCIT运行的同类算法一样准确，但运行时间大幅减少。
引用
@article{arxiv.1702.03877,
title = {Approximate Kernel-based Conditional Independence Tests for Fast Non-Parametric Causal Discovery},
author = {Eric V. Strobl and Kun Zhang and Shyam Visweswaran},
journal= {arXiv preprint arXiv:1702.03877},
year = {2017}
}
备注
R package: github.com/ericstrobl/RCIT