用于因果发现的最优传输
机器学习
2022-03-30 v2 统计方法学
摘要
为确定两个变量间的因果关系，基于函数因果模型（FCMs）的方法通过适当限制模型类被提出；然而，其性能对模型假设敏感，导致难以使用。本文中，我们提供 FCMs 的一种新颖动力系统视角，并提出一个用于二变量情形中因果方向识别的新框架。我们首先展示 FCMs 与最优传输之间的联系，然后研究 FCMs 约束下的最优传输。进而，通过利用 FCM 约束下最优传输的动力解释，我们确定静态因果对数据对应的底层动力过程。它为描述静态因果发现任务提供了新维度，同时享有对定量因果影响建模的更多自由。特别地，我们证明加性噪声模型（ANMs）对应于保体无压流。据此，基于其速度场散度，我们引入一个判定因果方向的准则。利用该准则，我们提出一种基于最优传输的 ANMs 新算法，其对模型选择具有鲁棒性，并将其推广至后非线性模型。我们的方法在合成与因果发现基准数据集上均展示了最先进的结果。
引用
@article{arxiv.2201.09366,
title = {Optimal transport for causal discovery},
author = {Ruibo Tu and Kun Zhang and Hedvig Kjellström and Cheng Zhang},
journal= {arXiv preprint arXiv:2201.09366},
year = {2022}
}