基于排序的线性和非线性关系因果发现
机器学习
2024-10-10 v1
摘要
仅从观测数据中识别因果关系通常需要对关系和/或噪声进行额外假设。大多数现有方法将其分析限制在假定具有纯线性或非线性关系的数据集上，这通常不能反映包含两者组合的现实世界数据集。本文提出了CaPS，一种基于排序的因果发现算法，能够有效处理线性和非线性关系。CaPS引入了一种新颖的拓扑排序识别准则，并在后处理优化阶段融入了“父节点分数”的概念。这些分数量化了平均因果效应的强度，有助于加速剪枝过程并纠正剪枝步骤中的不准确预测。实验结果表明，我们提出的解决方案在具有不同线性和非线性关系比例的合成数据上优于最先进的基线方法。从真实世界数据获得的结果也支持了CaPS的竞争力。代码和数据集可在https://github.com/E2real/CaPS获取。
引用
@article{arxiv.2410.05890,
title = {Ordering-Based Causal Discovery for Linear and Nonlinear Relations},
author = {Zhuopeng Xu and Yujie Li and Cheng Liu and Ning Gui},
journal= {arXiv preprint arXiv:2410.05890},
year = {2024}
}
备注
NeurIPS 2024 poster