DeCAMFounder：存在隐变量时的非线性因果发现
统计方法学
2023-06-27 v3
摘要
许多现实世界的决策任务需要学习一组变量间的因果关系。然而，传统因果发现方法要求所有变量均被观测到，这在实际场景中往往不可行。若无关于未观测变量的额外假设，无法从观测数据中恢复任何因果关系。幸运的是，在许多应用设定中，混杂因子间可预期存在额外结构。特别地，普遍混杂常被遇到，并已在线性因果模型中用于一致的因果估计。在本文中，我们提出一种可证明一致的方法，用于在非线性、普遍混杂设定下估计因果关系。我们过程的核心依赖于通过对观测数据矩阵进行简单谱分解来估计混杂变异的能力。我们基于此洞见推导出一个 DAG 评分函数，证明其恢复正确 DAG 排序的一致性，并与先前方法做经验比较。我们通过显式考虑混杂因子与非线性效应，在模拟与真实数据集上展示了改进的性能。
引用
@article{arxiv.2102.07921,
title = {The DeCAMFounder: Non-Linear Causal Discovery in the Presence of Hidden Variables},
author = {Raj Agrawal and Chandler Squires and Neha Prasad and Caroline Uhler},
journal= {arXiv preprint arXiv:2102.07921},
year = {2023}
}
备注
To appear in Journal of the Royal Statistical Society Series B