iSCAN：在非线性加性噪声模型中识别因果机制偏移

结构因果模型（SCM）被广泛应用于各学科中，以表示复杂系统内变量间的因果关系。遗憾的是，底层因果结构通常未知，且从数据中估计它仍是一项艰巨任务。然而，在许多情形下，最终目标是定位相关数据集之间因果机制的变化（偏移），而非学习各数据集的完整因果结构。一些应用包括根因分析、分析健康与癌症个体间基因调控网络结构变化，或解释分布偏移。本文聚焦于在两组或多组关于同一变量集的相关数据集中识别因果机制偏移——而无需估计每个SCM的完整DAG结构。该设定下的已有工作假设带高斯噪声的线性模型；相反，本工作假设每个SCM属于更一般类的非线性加性噪声模型（ANM）。本工作的一个关键技术贡献是证明混合分布得分函数的雅可比矩阵可在一般非参数函数机制下实现偏移的识别。一旦识别出偏移变量，我们借助近期工作来估计偏移变量（若有）的结构差异。我们提供了合成与真实世界数据上的实验以展示该方法的适用性。实现所提方法的代码已开源并公开于 https://github.com/kevinsbello/iSCAN。