利用归一化流实现后非线性模型中的因果发现

后非线性(PNL)因果模型是建模复杂因果关系的通用且适应性强的框架。然而,现有研究在精确捕捉PNL模型所需的可逆性约束方面仍面临挑战。为解决此问题,我们提出了CAF-PoNo(基于归一化流的后非线性模型因果发现),利用归一化流架构来强制执行PNL模型中关键的可逆性约束。通过归一化流,我们的方法精确重构了隐藏噪声,这在通过统计独立性检验进行因果识别中起着至关重要的作用。此外,所提出的方法具有显著的扩展性,可无缝扩展以通过因果顺序识别促进多变量因果发现,从而高效地揭示复杂因果关系。在模拟和真实数据集上的大量实验评估一致表明,所提方法在双变量和多变量因果发现任务中均优于多种最先进方法。