因果位置-尺度噪声模型的可识别性与估计
机器学习
2023-06-02 v2 人工智能
机器学习
摘要
我们研究位置-尺度或异方差噪声模型（LSNM）这一类模型，其中效应 可写为原因 与独立于 的噪声源 的函数，并可能由关于原因的正函数 缩放，即 。尽管该模型类具有一般性，我们证明除若干病态情形外因果方向是可识别的。为从经验上验证这些理论发现，我们提出两种 LSNM 估计器：一种基于（非线性）特征映射，另一种基于神经网络。两者都将给定 时 的条件分布建模为由其自然参数参数化的高斯分布。当特征映射被正确设定时，我们证明该估计器是联合凹的，且是因果效应识别任务的一致估计器。尽管神经网络不继承这些保证，但它能拟合任意复杂度的函数，并在各基准上达到 state-of-the-art 性能。
引用
@article{arxiv.2210.09054,
title = {On the Identifiability and Estimation of Causal Location-Scale Noise Models},
author = {Alexander Immer and Christoph Schultheiss and Julia E. Vogt and Bernhard Schölkopf and Peter Bühlmann and Alexander Marx},
journal= {arXiv preprint arXiv:2210.09054},
year = {2023}
}
备注
ICML 2023