CCSL：一种基于多未知环境的因果结构学习方法
机器学习
2023-02-07 v2
摘要
大多数现有因果结构学习方法假设数据收集自单一环境且独立同分布（i.i.d.）。在某些情况下，数据收集自多环境中的不同对象，这提供了更多信息但可能使数据呈非同分布或非独立分布。以往一些工作试图分两个独立阶段从此类数据中学习因果结构，即先从非独立同分布样本中发现独立同分布组，再从不同组中学习因果结构。这一直接解法忽略了两阶段间的内在联系，即聚类阶段与学习阶段都应由同一因果机制引导。为此，我们提出一种统一的因果聚类结构学习（称为 CCSL）方法，用于从非独立同分布数据进行因果发现。该方法同时整合以下两项任务：1）将具有相同因果机制的对象样本聚类为不同组；2）从组内样本学习因果结构。具体而言，对于前者，我们提供因果相关的中国餐馆过程以基于因果结构相似性聚类样本；对于后者，我们引入基于变分推断的方法学习因果结构。理论结果在线性非高斯假设下给出了因果模型与聚类模型的可辨识性。在模拟与真实数据上的实验结果进一步验证了所提方法的正确性与有效性。
引用
@article{arxiv.2111.09666,
title = {CCSL: A Causal Structure Learning Method from Multiple Unknown Environments},
author = {Wei Chen and Yunjin Wu and Ruichu Cai and Yueguo Chen and Zhifeng Hao},
journal= {arXiv preprint arXiv:2111.09666},
year = {2023}
}