基于高阶umul积量的线性DAG因果发现：考虑诱导变量之间的因果关系
机器学习
2025-10-17 v1 机器学习
摘要
本文解决线性非高斯无环模型中带有潜在混淆变量的因果有向无环图（LvLiNGAM）的估计问题。现有方法假设潜在混淆变量彼此独立，或无法正确处理存在观察变量之间因果关系的模型。我们提出了一种新算法，用于识别LvLiNGAM中的因果DAG，允许潜在变量之间、观察变量之间以及两者之间的因果结构。该方法利用观察数据的高阶umul积量来识别因果结构。通过大量仿真实验和真实数据实验，展示了所提算法的有效性和实际应用价值。
引用
@article{arxiv.2510.14780,
title = {Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants},
author = {Ming Cai and Penggang Gao and Hisayuki Hara},
journal= {arXiv preprint arXiv:2510.14780},
year = {2025}
}
备注
59 pages, 6 figures, and 3 tables