基于独立性检验的度量误差下线性非高斯模型因果发现方法
机器学习
2022-10-21 v1 人工智能
机器学习
摘要
因果发现旨在恢复生成观测数据的因果结构。尽管其在某些问题上取得了成功，但在许多真实场景中，观测变量并非感兴趣的目标变量，而是目标变量的不完美度量。度量误差下的因果发现旨在从带有度量误差的观测中恢复未观测目标变量之间的因果图。我们考虑该问题的一个特定表述，其中未观测目标变量遵循线性非高斯无环模型，且度量过程遵循随机度量误差模型。该表述下的现有方法依赖于不可扩展的过完备独立成分分析（OICA）。在本工作中，我们提出变换独立噪声（TIN）条件，该条件检验某些观测变量的特定线性变换与某些其他观测变量之间的独立性。通过利用数据的非高斯性和高阶统计信息，TIN 能提供关于未观测目标变量间图结构的信息。利用 TIN，因果模型的有序组分解是可识别的。换言之，我们仅通过进行独立性检验即可实现以往需要 OICA 才能实现的目标。在合成与真实数据上的实验结果证明了我们方法的有效性与可靠性。
引用
@article{arxiv.2210.11021,
title = {Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian Models},
author = {Haoyue Dai and Peter Spirtes and Kun Zhang},
journal= {arXiv preprint arXiv:2210.11021},
year = {2022}
}
备注
accepted to NeurIPS 2022