利用矩方法从潜隐混杂因素中解耦观测因果效应
机器学习
2021-01-19 v1
摘要
发现一组变量间完整的因果关系集合是一个具有挑战性的无监督学习问题。通常，这一挑战因存在潜隐或隐藏混杂因素而加剧。当仅有观测数据可用时，该问题是病态的，即除非做出强建模假设，否则因果关系是不可辨识的。当干预可用时，我们在温和假设下提供关于可辨识性与可学习性的保证。我们假设一个具有独立潜隐因子以及可观测变量间有向无环图(DAG)关系的线性结构方程模型(SEM)。由于潜隐变量推断基于独立成分分析(ICA)，我们称此模型为SEM-ICA。我们利用矩方法原理建立模型可辨识性。我们开发了基于带线性约束的耦合张量分解的高效算法，以获得可扩展且有保证的解。由此，我们提供了一种解决因果发现与时隐变量推断联合问题的原则性方法。
引用
@article{arxiv.2101.06614,
title = {Disentangling Observed Causal Effects from Latent Confounders using Method of Moments},
author = {Anqi Liu and Hao Liu and Tongxin Li and Saeed Karimi-Bidhendi and Yisong Yue and Anima Anandkumar},
journal= {arXiv preprint arXiv:2101.06614},
year = {2021}
}