通过局部图进行因果结构学习
统计方法学
2021-10-04 v2
摘要
我们考虑在稀疏高维设定下学习因果结构的问题,此类设定可能受到(潜在大量)未测量混杂因素以及选择偏差的影响。基于大型随机网络常见族中发现的结构,并检查线性结构方程模型(SEM)中局部结构的表示,我们提出了一种在存在潜变量与选择变量时用于一致结构学习的新的局部稀疏性概念,并开发了计算与样本复杂度降低的Fast Causal Inference (FCI)算法新版本,我们称之为局部FCI (lFCI)。这种新的稀疏性概念允许存在高度连接的枢纽节点,这类节点在真实世界网络中常见,但对现有方法而言存在问题。我们的数值实验表明,lFCI算法在多种大型随机网络类别上取得了SOTA性能,且对于含枢纽节点的网络其性能优于现有方法。
引用
@article{arxiv.2107.03597,
title = {Causal Structural Learning Via Local Graphs},
author = {Wenyu Chen and Mathias Drton and Ali Shojaie},
journal= {arXiv preprint arXiv:2107.03597},
year = {2021}
}