后非线性因果模型的可辨识性
机器学习
2012-05-14 v1 机器学习
摘要
通过考虑原因的非线性效应、内部噪声效应以及观测变量中的测量失真效应，后非线性（PNL）因果模型在区分原因与结果方面展现了优异的性能。然而，其可辨识性尚未得到妥善解决，并且如何将其应用于多于两个变量的情况也是一个问题。本文对两变量情况下的可辨识性进行了系统研究。我们证明该模型在大多数情况下是可辨识的；通过列举所有模型不可辨识的可能情况，我们提供了其可辨识的充分条件。仿真结果支持了理论结论。此外，对于多于两个变量的情况，我们证明可以通过将PNL因果模型应用于马尔可夫等价类中的每个结构，并检验扰动是否独立于每个变量的直接原因，从而找到整个因果结构。这样避免了在所有可能的因果结构上进行穷举搜索。
引用
@article{arxiv.1205.2599,
title = {On the Identifiability of the Post-Nonlinear Causal Model},
author = {Kun Zhang and Aapo Hyvarinen},
journal= {arXiv preprint arXiv:1205.2599},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)