利用非高斯性估计因果有向无环图过程
机器学习
2022-11-28 v1 信号处理
统计方法学
摘要
在机器学习和数据挖掘中，已提出众多方法来发现因果依赖关系；其中，最先进的VAR-LiNGAM（Vector Auto-Regressive Linear Non-Gaussian Acyclic Model，向量自回归线性非高斯无环模型）是一种揭示瞬时与时滞关系的理想方法。然而，需分析所有得到的VAR矩阵以推断最终因果图，导致参数数量增加。为解决此问题，我们提出CGP-LiNGAM（Causal Graph Process-LiNGAM，因果图过程-LiNGAM），其模型参数显著更少，并通过利用图信号处理(GSP)仅用一个因果图来解释因果关系。
引用
@article{arxiv.2211.13800,
title = {Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity},
author = {Aref Einizade and Sepideh Hajipour Sardouie},
journal= {arXiv preprint arXiv:2211.13800},
year = {2022}
}