任意数量隐性混淆器下的因果方向识别
机器学习
2025-10-28 v1 机器学习
摘要
在存在隐性变量时恢复因果结构是一项重要但具有挑战性的任务。虽然已提出许多方法来处理此问题，但大多数方法都需要对因果结构施加严格且/或不可检验的假设。在现实场景中，观察变量可能同时受到多个隐性变量的影响，一般而言，这些方法无法加以处理。本文考虑线性、非高斯情况，利用以特定方式构建的观察变量的联合高阶矩矩阵。我们证明，尽管存在任意数量的隐性混淆器，两个观察变量之间的因果不对称性仍可直接从此类高阶矩矩阵秩不足性质中看出。建立了可辨识性结果，相应的识别方法甚至不需要迭代程序。实验结果表明，我们提出的方法有效且渐近正确。
引用
@article{arxiv.2510.22711,
title = {Identification of Causal Direction under an Arbitrary Number of Latent Confounders},
author = {Wei Chen and Linjun Peng and Zhiyi Huang and Haoyue Dai and Zhifeng Hao and Ruichu Cai and Kun Zhang},
journal= {arXiv preprint arXiv:2510.22711},
year = {2025}
}