基于对抗学习的方法：用于具有相关噪声的线性因果模型的因果发现
机器学习
2026-01-06 v1
摘要
从带有未测量混杂因素的数据进行因果发现是一个具有挑战性的问题。本文提出了一种基于 f-GAN 框架的方法，通过学习二元因果结构，独立于具体权重值。我们将结构学习问题重新表述为最小化贝叶斯自由能，并证明该问题等价于最小化真实数据分布与模型生成分布之间的 f 散度。运用 f-GAN 框架，我们将该目标转化为一个最小-最大对抗优化问题。我们实现了在离散图空间中的梯度搜索，通过 Gumbel-Softmax 松弛实现。
引用
@article{arxiv.2601.01368,
title = {Causal discovery for linear causal model with correlated noise: an Adversarial Learning Approach},
author = {Mujin Zhou and Junzhe Zhang},
journal= {arXiv preprint arXiv:2601.01368},
year = {2026}
}