基于核偏差度量的因果推断
机器学习
2018-04-13 v1 统计方法学
机器学习
摘要
发现一组变量间的因果结构是研究诸多科学领域的基本问题。在本文中，我们提出核条件偏差因果推断（KCDC），一种基于纯观测数据的完全非参数因果发现方法。从对因果间不对称性概念的新颖诠释出发，我们利用再生核希尔伯特空间框架推导了相应的不对称性度量。基于此，我们提出三条用于因果发现的决策规则。我们展示了该方法在一系列不同合成数据集上的广泛适用性。此外，我们在真实世界时间序列数据和真实世界基准数据集 Tubingen Cause-Effect Pairs 上测试了我们的方法，其表现优于现有 SOTA 方法。
引用
@article{arxiv.1804.04622,
title = {Causal Inference via Kernel Deviance Measures},
author = {Jovana Mitrovic and Dino Sejdinovic and Yee Whye Teh},
journal= {arXiv preprint arXiv:1804.04622},
year = {2018}
}