基于得分匹配的可扩展因果发现
机器学习
2023-04-10 v1 机器学习
摘要
本文展示了在观测性非线性加性高斯噪声模型中,如何从对数似然的二阶导数发现整个因果图。利用可扩展的机器学习方法来近似得分函数 ,我们扩展了 Rolland et al. (2022) 的工作,后者仅从得分中恢复拓扑顺序,并需要一个昂贵的剪枝步骤来移除该顺序所允许的边中的伪边。我们的分析导出了 DAS(Discovery At Scale 的首字母缩写),这是一种实用算法,它将剪枝的复杂度降低了一个与图大小成正比的因子。在实践中,DAS 在保持与当前 state-of-the-art 相当准确率的同时,速度提升了一个数量级以上。总体而言,我们的方法实现了有原则且可扩展的因果发现,显著降低了计算门槛。
引用
@article{arxiv.2304.03382,
title = {Scalable Causal Discovery with Score Matching},
author = {Francesco Montagna and Nicoletta Noceti and Lorenzo Rosasco and Kun Zhang and Francesco Locatello},
journal= {arXiv preprint arXiv:2304.03382},
year = {2023}
}