面向位置-尺度噪声模型的偏度鲁棒因果发现
机器学习
2025-11-19 v1 机器学习
摘要
要区分马尔可夫等价图中的因果结构，必须限制结构性因果模型。关键是要能够在双变量模型中区分因果 X 与结果 Y，即区分两个图 X → Y 和 Y → X。位置-尺度噪声模型（LSNM）中的因果 Y 基于原因 X 建模，形式为 Y = f(X) + g(X)N，其中 N 为噪声项。这一模型类既通用又在大多数情况下可识别。然而，对任意噪声项 N 进行估计具有挑战性，因此实际估计器通常限制在对称分布（如正态分布）上。正如本文所展示的，当 N 为偏度随机变量时（这在现实领域中较为常见），这些方法的可靠性会下降。为克服这一限制，我们提出 SkewD，这是一个基于似然的算法，用于 LSNM 中存在偏度噪声分布的双变量因果发现。SkewD 将常规正态分布框架扩展到偏度正态设置，使其在对称和偏度噪声下均能可靠推断。对于参数估计，我们采用启发式搜索与期望条件最大化算法的组合。我们在包含偏度噪声的新生成数据集以及既定基准数据集上对 SkewD 进行评估。通过我们的实验，SkewD 显示出强大的性能，并且在高偏度条件下相较于先前方法保持鲁棒性。
引用
@article{arxiv.2511.14441,
title = {Skewness-Robust Causal Discovery in Location-Scale Noise Models},
author = {Daniel Klippert and Alexander Marx},
journal= {arXiv preprint arXiv:2511.14441},
year = {2025}
}