Dagma-DCE：可解释的非参数可微因果发现
机器学习
2024-02-05 v1 统计方法学
机器学习
摘要
我们引入了 Dagma-DCE，一种用于可微因果发现的可解释且模型无关的方案。当前可微因果发现中的非参数或过参数方法使用不透明的“独立性”代理来证明是否包含某项因果关系。我们从理论和经验上表明，这些代理可能与实际的因果强度存在任意差异。与现有的可微因果发现算法相比，\textsc{Dagma-DCE} 使用可解释的因果强度度量来定义加权邻接矩阵。在多个模拟数据集上，我们表明我们的方法达到了 SOTA 级别的性能。我们进一步表明，\textsc{Dagma-DCE} 允许领域专家进行有原则的阈值设定和稀疏性惩罚。我们的方法代码已在 https://github.com/DanWaxman/DAGMA-DCE 开源，并且可以轻松适配任意可微模型。
引用
@article{arxiv.2401.02930,
title = {Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery},
author = {Daniel Waxman and Kurt Butler and Petar M. Djuric},
journal= {arXiv preprint arXiv:2401.02930},
year = {2024}
}
备注
9 pages, 2 figures. Accepted to the IEEE Open Journal of Signal Processing