混合因果识别与因果机制聚类
人工智能
2025-07-30 v1
摘要
双变量因果方向识别是因果推断领域中的一个基本且关键的问题。在二元因果方法中，大多数基于添加噪声的方法仅使用单个因果机制来构建因果模型。在现实世界中，观测数据总是以不同环境、具有异构因果关系的方式收集的。因此，本文提出了混合条件变分因果推断模型 (MCVCI)，用于推断异构因果性。具体而言，根据混合添加噪声模型 (HANM) 的可识别性，MCVCI 结合了高斯混合模型和神经网络的优势，优雅地将混合条件变分自编码器的概率边界所获得的似然值用作因果决策准则。此外，我们将因果异构性建模为聚类数目，并提出了混合条件变分因果聚类 (MCVCC) 方法，该方法可揭示因果机制表达。与最先进的方法相比，本文提出的方法在多个模拟数据和真实数据上的综合最佳性能证明了其有效性。
引用
@article{arxiv.2507.21792,
title = {Hybrid Causal Identification and Causal Mechanism Clustering},
author = {Saixiong Liu and Yuhua Qian and Jue Li and Honghong Cheng and Feijiang Li},
journal= {arXiv preprint arXiv:2507.21792},
year = {2025}
}