线性非高斯无环模型中因果序的估计：一种对潜在混杂因素具有鲁棒性的方法
机器学习
2012-04-10 v1
摘要
我们考虑在称为 LiNGAM 的线性非高斯无环模型中学习变量的因果序。已有几种方法被证明在所有模型假设均正确的情况下能够一致地估计因果序。但是，如果某些假设实际上被违背，估计结果可能会失真。在本文中，我们提出了一种新的因果序学习算法，该算法对模型假设的一种典型违背——潜在混杂因素——具有鲁棒性。我们使用人工数据验证了该方法的有效性。
引用
@article{arxiv.1204.1795,
title = {Estimation of causal orders in a linear non-Gaussian acyclic model: a method robust against latent confounders},
author = {Tatsuya Tashiro and Shohei Shimizu and Aapo Hyvarinen and Takashi Washio},
journal= {arXiv preprint arXiv:1204.1795},
year = {2012}
}
备注
8 pages, 2 figures