无似然过完备 ICA 及其在因果发现中的应用
机器学习
2019-09-06 v2 机器学习
摘要
因果发现在过去几十年中取得了显著进展。特别是，许多近期因果发现方法利用独立、非高斯噪声来实现因果模型的可识别性。隐藏的直接共同原因（或称混杂因子）的存在通常使因果发现更加困难；每当它们出现时，相应的因果发现算法可视为过完备独立分量分析（OICA）的扩展。然而，现有 OICA 算法通常对独立分量的分布做出强参数化假设，这可能在真实数据上被违背，导致次优甚至错误的求解。此外，现有 OICA 算法依赖期望最大化（EM）过程，需要对独立分量的后验分布进行计算昂贵的推断。为解决这些问题，我们提出一种无似然过完备 ICA 算法（LFOICA），其通过反向传播直接估计混合矩阵，而无需对独立分量的密度函数做任何显式假设。得益于其计算效率，所提方法使若干因果发现过程在实际中更为可行。为说明起见，我们在合成与真实数据的两个因果发现任务中展示了方法的效率与有效性。
引用
@article{arxiv.1909.01525,
title = {Likelihood-Free Overcomplete ICA and Applications in Causal Discovery},
author = {Chenwei Ding and Mingming Gong and Kun Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:1909.01525},
year = {2019}
}
备注
10 pages, 3 figures. Accepted by NeurIPS 2019 as spotlight