非高斯噪声下非线性因果推断的最小二乘独立性回归
机器学习
2011-03-31 v2
摘要
由于加性非高斯噪声模型具有高度灵活性，其在非线性因果关系发现中的应用近期引起了广泛关注。本文提出了一种新的因果推断算法，称为最小二乘独立性回归（LSIR）。LSIR通过最小化输入与残差之间的平方损失互信息估计量来学习加性噪声模型。与现有方法相比，LSIR的一个显著优势是核宽度和正则化参数等调参可以通过交叉验证自然地进行优化，使我们能够以数据依赖的方式避免过拟合。通过在真实数据集上的实验，我们表明LSIR优于当前最先进的因果推断方法。
引用
@article{arxiv.1103.5537,
title = {Least-Squares Independence Regression for Non-Linear Causal Inference under Non-Gaussian Noise},
author = {Makoto Yamada and Masashi Sugiyama and Jun Sese},
journal= {arXiv preprint arXiv:1103.5537},
year = {2011}
}
备注
submitted to Machine Learning Journal