基于异构变换的核偏差度量的因果发现
机器学习
2024-02-01 v1 机器学习
摘要
发现一组随机变量间的因果关系是科学的一个基本目标，并且最近也被认为是实现真正机器智能的关键组成部分。一类因果发现技术基于这样的论点：因果方向与反因果方向之间存在固有的结构不对称性，可以利用这种不对称性来确定因果方向。然而，捕捉这些因果与结果之间的差异仍然是一个挑战，许多当前最先进的算法提出比较条件分布的核均值嵌入的范数。在这项工作中，我们认为这种基于再生核希尔伯特空间 (RKHS) 嵌入的方法不足以捕捉涉及条件分布高阶结构变异性的因果不对称性的主要标志。我们提出了基于异构变换的核内在不变性度量 (KIIM-HT)，该方法引入了一种基于 RKHS 嵌入的异构变换的新型评分度量，以提取条件密度的相关高阶矩用于因果发现。通过比较每个假设的因果方向对的得分来进行推断。在合成数据集、二维合成数据集和真实世界基准数据集 Tübingen 因果对上的测试和比较验证了我们的方法。此外，我们对正则化参数进行了敏感性分析，以忠实地比较先前的工作与我们的方法，并进行了不同超参数值的试验实验，以展示我们算法的鲁棒性。
引用
@article{arxiv.2401.18017,
title = {Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms},
author = {Tim Tse and Zhitang Chen and Shengyu Zhu and Yue Liu},
journal= {arXiv preprint arXiv:2401.18017},
year = {2024}
}