连续分布非参数接近性检验的样本复杂度及其在存在隐藏混淆的因果发现中的应用
机器学习
2025-03-11 v1 机器学习
摘要
我们研究连续分布的接近性检验问题及其对因果发现的启示。具体而言，在非参数假设下，我们分析了区分两个多维连续分布是否相同或其 Kullback-Leibler (KL) 散度差异至少为 的样本复杂度。为此，我们提出了一种基于 von Mises 展开的 KL 散度估计量。我们的接近性检验在平滑性假设下达到了最优的参数速率。以该检验作为我们因果发现算法的基础模块来识别两个多维随机变量之间的因果结构，我们为我们的因果发现方法建立了样本复杂度保证。据我们所知，这项工作是首个在存在未观测混淆的情况下，为具有非高斯连续变量的多维非线性模型中区分原因与效应提供样本复杂度保证的工作。
引用
@article{arxiv.2503.07475,
title = {Sample Complexity of Nonparametric Closeness Testing for Continuous Distributions and Its Application to Causal Discovery with Hidden Confounding},
author = {Fateme Jamshidi and Sina Akbari and Negar Kiyavash},
journal= {arXiv preprint arXiv:2503.07475},
year = {2025}
}