不变高斯过程潜变量模型及其在因果发现中的应用
机器学习
2012-03-19 v1 机器学习
摘要
在非线性潜变量模型或动态模型中，如果将潜变量视为混杂因素（共同原因），则噪声依赖性意味着观测变量之间的进一步关系。这样的模型与存在非线性混杂因素时的因果发现密切相关，这是一个具有挑战性的问题。然而，通常在这类模型中，观测噪声被假设为跨数据维度独立，因此忽略了噪声依赖性。本文聚焦于高斯过程潜变量模型（GPLVM），并从中发展出一个扩展模型，称为不变GPLVM（IGPLVM），该模型能够适应任意噪声协方差。通过将高斯过程先验置于潜非线性函数的特定变换上（而非原始函数上），IGPLVM的算法涉及的计算量与原始GPLVM几乎相同。除了在因果发现中的潜在应用外，IGPLVM的优势在于其估计的潜非线性流形对数据的任何非奇异线性变换具有不变性。在合成数据和真实数据上的实验结果表明，它在非线性流形学习和因果发现方面具有令人鼓舞的性能。
引用
@article{arxiv.1203.3534,
title = {Invariant Gaussian Process Latent Variable Models and Application in Causal Discovery},
author = {Kun Zhang and Bernhard Schoelkopf and Dominik Janzing},
journal= {arXiv preprint arXiv:1203.3534},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Sixth Conference on Uncertainty in Artificial Intelligence (UAI2010)