存在未观测变量时的因果加性模型发现
机器学习
2021-06-07 v1
摘要
从受未观测变量影响的数据中进行因果发现是一个重要但难以解决的问题。在非线性情形下，未观测变量对观测变量之间关系的影响比线性情形更为复杂。在本研究中，我们关注存在未观测变量时的因果加性模型。因果加性模型的结构方程在变量和误差项上是加性的。我们不仅考虑了未观测的共同原因，还考虑了未观测的中间变量。我们的理论结果表明，当因果关系为非线性且存在未观测变量时，不可能通过回归和独立性检验识别观测变量之间的所有因果关系。然而，我们的理论结果也表明，可以避免错误的推断。我们提出了一种方法来识别所有在理论上可识别且不受未观测变量偏倚影响的因果关系。使用人工数据和模拟的功能磁共振成像（fMRI）数据的实证结果表明，我们的方法在存在未观测变量时能有效推断因果结构。
引用
@article{arxiv.2106.02234,
title = {Discovery of Causal Additive Models in the Presence of Unobserved Variables},
author = {Takashi Nicholas Maeda and Shohei Shimizu},
journal= {arXiv preprint arXiv:2106.02234},
year = {2021}
}
备注
This is an extended version of the UAI 2021 paper entitled "Causal Additive Models with Unobserved Variables"