基于高阶umulant的线性因果解缔

线性因果解缔是因果表征学习中的一种新方法，用于描述一组观测变量通过具有因果依赖关系的潜变量。它可视为独立成分分析和线性结构方程模型的泛化。我们研究了线性因果解缔的可识别性，假设获得对多个情境下的数据，每种情境都对应于对潜变量的一个干预。我们表明，对每个潜变量进行一次完美干预足以在完美干预下恢复参数，最坏情况下也是必要的，这扩展了前面的工作，允许潜变量数量超过观测变量。我们给出了一个构造性证明，通过耦合张量分解来计算参数。对于软性干预，我们通过研究一组多项方程组，求出与观测数据一致的潜图和参数的等价类。我们的结果假设存在非零的高阶umulant，这意味着变量的非高斯性。