当加性噪声遇及未观测调节变量：双变量去噪扩散用于因果发现
机器学习
2025-07-01 v1
摘要
从双变量观测数据中区分因果关系是许多学科中基础性问题，但在缺乏额外假设的情况下则具有挑战性。加性噪声模型 (ANM) 被广泛用于实现样本高效的双变量因果发现。然而，传统的 ANM 方法在未观测调节变量引入噪声时会失败。本文作出三项关键贡献：首先，我们严格阐述了标准 ANM 方法在存在未测量调节变量时的失效原因；其次，我们展示了针对隐藏调节问题的先前解决方案在有限样本情形下脆弱，限制了实际应用价值。为弥补这一空白，我们提出了用于因果发现的双变量去噪扩散 (BiDD) 方法，旨在处理由未测量调节变量引入的隐藏噪声。不同于先前方法通过均方误差损失比较推断方向性，我们的方法引入了一种新颖的独立性检验统计量：在为每个变量进行加噪和去噪过程中，我们以另一个变量为输入并评估预测噪声相对于该输入的独立性。我们在 ANM 模型下证明了 BiDD 的渐近一致性，并推测其在隐藏调节情形下表现良好。实验在合成数据和真实数据上均表现出一致性能，能够在调节变量破坏的情形下超越现有方法，同时在无调节变量情形下保持强劲性能。
引用
@article{arxiv.2506.23374,
title = {When Additive Noise Meets Unobserved Mediators: Bivariate Denoising Diffusion for Causal Discovery},
author = {Dominik Meier and Sujai Hiremath and Promit Ghosal and Kyra Gan},
journal= {arXiv preprint arXiv:2506.23374},
year = {2025}
}