GaussDetect-LiNGAM：无需高斯性检验的因果方向识别
机器学习
2025-12-04 v1 机器学习
摘要
我们提出了 GaussDetect-LiNGAM，一种用于双变量因果发现的新方法，通过利用正向模型噪声高斯性与逆回归中回归量和残差独立性之间的基本等价性，消除了对显式高斯性检验的需求。在标准 LiNGAM 假设（线性、无环性和外生性）下，我们证明了正向模型噪声的高斯性等价于逆模型中回归量与残差的独立性。这一理论洞察使我们能够用稳健的基于核的独立性检验替代脆弱且对样本敏感的高斯性检验。实验结果验证了该等价性，并证明 GaussDetect-LiNGAM 在各种噪声类型和样本量下保持高度一致性，同时减少了每次决策的检验次数 (TPD)。我们的方法提升了因果推断的效率和实际适用性，使 LiNGAM 在现实场景中更易访问且更可靠。
引用
@article{arxiv.2512.03428,
title = {GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test},
author = {Ziyi Ding and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2512.03428},
year = {2025}
}