MissDAG：在存在缺失数据情形下基于连续加性噪声模型的因果发现
机器学习
2023-01-18 v3 机器学习
摘要
最先进的因果发现方法通常假设观测数据是完整的。然而，缺失数据问题在临床试验、经济学和生物学等许多实际场景中十分普遍。解决缺失数据问题的一种直接方法是先使用现成的插补方法填补数据，再应用现有的因果发现方法。然而，这种两步法可能存在次优性，因为插补算法可能为建模底层数据分布引入偏差。本文提出一种通用方法 MissDAG，用于从具有不完整观测的数据中进行因果发现。MissDAG 主要关注可忽略缺失性假设与可辨识加性噪声模型（ANMs），在期望最大化（EM）框架下最大化观测可见部分的期望似然。在 E 步中，若无法以闭式计算参数的后验分布，则利用蒙特卡洛 EM 近似似然。在 M 步中，MissDAG 借助 ANMs 通过密度变换以更简单且特定的形式建模噪声分布，并使用带有有向无环图约束的基于似然的因果发现算法。我们通过大量仿真与真实数据实验展示了 MissDAG 在集成多种因果发现算法方面的灵活性及其有效性。
引用
@article{arxiv.2205.13869,
title = {MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models},
author = {Erdun Gao and Ignavier Ng and Mingming Gong and Li Shen and Wei Huang and Tongliang Liu and Kun Zhang and Howard Bondell},
journal= {arXiv preprint arXiv:2205.13869},
year = {2023}
}
备注
Accepted to NeurIPS22