基于分数匹配的非线性模型因果发现捷径
统计方法学
2023-10-24 v1 机器学习
摘要
由于标注真实数据的稀缺，在因果发现领域使用模拟数据十分普遍。最近，Reisach 等人（2021）指出了模拟线性数据中出现的模式，其在因果方向上表现出边际方差递增。作为实验中的一项消融研究，Montagna 等人（2023）发现非线性模型中分数向量 的方差可能出现类似模式，并引入了 ScoreSort 算法。在本文中，我们正式定义并刻画了非线性加性噪声模型的这种分数可排序（score-sortability）模式。我们发现它定义了一类可识别的（双变量）因果模型，与非线性加性噪声模型有重叠。我们从理论上证明了与先前最先进的基于分数匹配的方法相比，ScoreSort 在统计效率方面的优势，并通过实验展示了文献中最常见的合成基准的分数可排序性。我们的发现表明：（1）数据缺乏多样性是非线性因果发现方法评估中的一个重要局限；（2）在某一问题类内充分测试不同设置的重要性；（3）分析因果发现中统计性质的重要性，该领域研究常局限于定义模型的可识别性条件。
引用
@article{arxiv.2310.14246,
title = {Shortcuts for causal discovery of nonlinear models by score matching},
author = {Francesco Montagna and Nicoletta Noceti and Lorenzo Rosasco and Francesco Locatello},
journal= {arXiv preprint arXiv:2310.14246},
year = {2023}
}