基于核内蕴不变性度量的因果发现
机器学习
2019-09-15 v1 人工智能
机器学习
摘要
基于因果而非关联的推理一直被视为真正机器智能的关键要素。然而，推断变量间的因果关系/结构是一项具有挑战性的任务。近年来，提出了独立机制（IM）原理，指出生成原因的机制与将原因映射到结果的机制是相互独立的。据推测，在因果方向上，以条件变量不同取值实例化的条件分布比反因果方向具有更小的变异。现有的最优方法简单地比较这些条件分布的RKHS均值嵌入范数的方差。本文中，我们证明这种基于范数的方法牺牲了原始条件分布的重要信息。我们提出了核内蕴不变性度量（KIIM）以捕获对应于密度函数形状的高阶统计量。我们展示了我们的算法可归约为一个度量内蕴偏差/不变性的核矩阵上的特征分解任务。然后可通过比较两个假设方向的KIIM分数来推断因果方向。在合成与真实数据上的实验表明我们的方法相对于现有解决方案的优势。
引用
@article{arxiv.1909.00513,
title = {Causal Discovery by Kernel Intrinsic Invariance Measure},
author = {Zhitang Chen and Shengyu Zhu and Yue Liu and Tim Tse},
journal= {arXiv preprint arXiv:1909.00513},
year = {2019}
}
备注
9 pages, preprint