用于线性和非线性加性噪声模型的混合自顶向下全局因果发现与局部搜索
机器学习
2025-01-14 v5
摘要
学习与未知因果模型对应的唯一有向无环图是一项具有挑战性的任务。基于函数因果模型的方法可以识别唯一的图，但要么遭受维度灾难，要么施加了较强的参数假设。为了应对这些挑战，我们提出了一种新的混合方法，用于观测数据中的全局因果发现，该方法利用了局部因果子结构。我们首先提出了一种拓扑排序算法，该算法利用线性结构因果模型中的祖先关系来建立紧凑的自顶向下层次排序，编码了比现有方法产生的线性排序更多的因果信息。我们证明了该方法可以推广到具有任意噪声的非线性设置。然后，我们介绍了一种非参数基于约束的算法，该算法通过搜索局部条件集来修剪伪边，实现了比当前方法更高的准确性。我们提供了正确性和最坏情况多项式时间复杂度的理论保证，并在合成数据上进行了实证验证。
引用
@article{arxiv.2405.14496,
title = {Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models},
author = {Sujai Hiremath and Jacqueline R. M. A. Maasch and Mengxiao Gao and Promit Ghosal and Kyra Gan},
journal= {arXiv preprint arXiv:2405.14496},
year = {2025}
}
备注
To appear at the Thirty-Eighth Annual Conference on Neural Information Processing Systems (NeurIPS 2024)