加性噪声模型下的因果识别：量化噪声的影响
机器学习
2021-10-18 v1 机器学习
摘要
近年来，因果推断与因果学习领域开展了大量研究。许多方法被开发用于识别模型中的因果对，并已成功应用于观测真实数据以确定因果关系的方向。然而在二元情形下，因果发现问题仍然具有挑战性。基于加性噪声模型（ANMs）的一类此类方法也允许处理二元情形。遗憾的是，这些方法的一个方面至今未受太多关注：不同噪声水平对这些方法识别因果关系方向的能力有何影响。本文旨在通过一项实证研究弥补这一空白。我们使用 exhaustive 范围的模型测试回归后续独立检验（RESIT），其中加性噪声水平从成因噪声水平的 1% 逐渐变化到 10000%（后者保持固定）。此外，本工作的实验考虑了几种不同类型的分布以及线性和非线性模型。实验结果表明，ANMs 方法在某些噪声水平下可能无法捕捉真实的因果方向。
引用
@article{arxiv.2110.08087,
title = {Causal Identification with Additive Noise Models: Quantifying the Effect of Noise},
author = {Benjamin Kap and Marharyta Aleksandrova and Thomas Engel},
journal= {arXiv preprint arXiv:2110.08087},
year = {2021}
}
备注
Presented at 10\`emes Journ\'ees Francophones sur les R\'eseaux Bay\'esiens et les Mod\`eles Graphiques Probabilistes (JFRB-2021), https://pageperso.lis-lab.fr/christophe.gonzales/research/jfrb2021/programme.php