文章

免费访问

DirectLiNGAM：学习线性非高斯结构方程模型的直接方法

作者:

阿波海瓦里宁,

吉野幸男川原,

高石（Takashi）鹫雄,

帕特里克·O。霍耶,

肯尼思博伦作者信息和声明

机器学习研究杂志,体积12

页1225-1248

出版:2011年7月1日出版历史

PDF格式电子阅读器

摘要

结构方程模型和贝叶斯网络被广泛用于分析连续变量之间的因果关系。在这种框架中，线性非循环模型通常用于建模变量的数据生成过程。最近，研究表明，使用非高斯性识别线性非循环模型的完整结构，即变量的因果顺序及其连接强度，而不使用任何关于网络结构的先验知识，这与传统方法不同。然而，现有的估计方法是基于迭代搜索算法的，可能无法在有限步数内收敛到正确的解。本文基于非高斯性，提出了一种新的直接估计因果序和连接强度的方法。与以前的方法相比，我们的算法不需要算法参数，并且如果数据严格遵循模型，也就是说，如果满足所有模型假设，并且样本大小是无限的，那么我们的算法可以保证在较小的固定步数内收敛到正确的解。

工具书类

[1]

自然梯度学习在学习中有效。神经计算, 10:251-276, 1998.

[2]

F.R.巴赫和M.I.乔丹。核独立成分分析。机器学习研究杂志, 3:1-48, 2002.

[3]

K.A.Bollen。具有潜在变量的结构方程约翰·威利父子公司，1989年。

[4]

D.小鸡。贪婪搜索的最优结构识别。机器学习研究杂志, 3:507-554, 2002.

[5]

P.科蒙。独立成分分析，一个新概念？信号处理, 36:62-83, 1994.

[6]

G.达莫伊斯。分析联络随机性。国际统计研究所的审查, 21:2-8, 1953.

[7]

O.D.Duncan、D.L.Featherman和B.Duncan。社会经济背景和成就《研讨会出版社》，纽约，1972年。

[8]

B.Efron和R.Tibshirani。引导程序简介查普曼和霍尔出版社，纽约，1993年。

[9]

J.Eriksson和V.Koivunen。线性ICA模型的可识别性、可分性和唯一性。IEEE信号处理信函, 11:601-604, 2004.

[10]

A.Gretton和L.Györfi。独立性的一致非参数检验。机器学习研究杂志, 11:1391-1423, 2010.

[11]

A.Gretton、O.Bousquet、A.J.Smola和B.Schölkopf。使用Hilbert-Schmidt规范测量统计相关性。在算法学习理论：第16届国际会议（ALT2005），第63-77页。2005

[12]

J.Himberg、A.Hyvärinen和F.Esposito。通过聚类和可视化验证神经成像时间序列的独立成分。神经影像, 22:1214-1222, 2004.

[13]

P.O.Hoyer、S.Shimizu、A.Kerminen和M.Palviainen。使用带有隐藏变量的线性非高斯因果模型估计因果效应。国际近似推理杂志, 49(2):362-378, 2008.

[14]

P.O.Hoyer、D.Janzing、J.Mooij、J.Peters和B.Schölkopf。加性噪声模型的非线性因果发现。编辑D.Koller、D.Schuurmans、Y.Bengio和L.Bottou，神经信息处理系统的进展21第689-696页。2009.

[15]

A.海夫里宁。独立分量分析和投影追踪中微分熵的新近似。在神经信息处理系统的研究进展第10卷，第273-279页。1998

[16]

A.海瓦里宁。独立分量分析的快速稳健定点算法。IEEE神经网络汇刊, 10:626-634, 1999.

[17]

A.Hyvärinen、J.Karhunen和E.Oja。独立成分分析Wiley，纽约，2001年。

[18]

A.Hyvärinen、K.Zhang、S.Shimizu和P.O.Hoyer。使用非高斯性估计结构向量自回归模型。机器学习研究杂志2010年5月，11:1709-1731。

[19]

T.Inazumi、S.Shimizu和T.Washio。在非高斯方法中使用先验知识学习线性结构方程模型。在程序。第九届潜在变量分析和信号分离国际会议（LVA/ICA2010），第221-228页，2010年。

[20]

M.Kalisch和P.Bühlmann。用PC算法估计高维有向无环图。机器学习研究杂志, 8:613-636, 2007.

[21]

Y.Kawahara、K.Bollen、S.Shimizu和T.Washio。GroupLiNGAM：变量集的线性非高斯非循环模型。arXiv：1006.50412010年6月。

[22]

Y.Kawahara、S.Shimizu和T.Washio。基于外部影响的非高斯性分析ARMA过程之间的关系。神经计算, 2011. 即将到来。

[23]

A.Kraskov、H.Stögbauer和P.Grassberger。估计相互信息。体检E, 69(6):066138, 2004.

[24]

G.Lacerda、P.Spirtes、J.Ramsey和P.O.Hoyer。通过独立成分分析发现循环因果模型。在第24届人工智能不确定性会议记录（UAI2008），第366-374页，2008年。

[25]

A.Londei、A.D'Ausilio、D.Basso和M.O.Belardinelli。一种新的检测认知过程fMRI数据因果关系的方法。认知加工，7（1）：42-521006年3月。

[26]

L.梅罗维奇。振动分析要素（第2版）McGraw-Hill，1986年。

[27]

J.Mooij、D.Janzing、J.Peters和B.Schölkopf。相关性最小化回归及其在加性噪声模型因果推断中的应用。在第26届机器学习国际会议论文集（ICML2009），第745-752页，2009年。

[28]

J.珀尔。因果关系：模型、推理和推理剑桥大学出版社，2000年。（2009年第2版）。

[29]

R.O.Rhein和K.Strimmer。从相关性到因果网络：一种简单的近似学习算法及其在高维植物基因表达数据中的应用。BMC系统生物学, 1:1-37, 2007.

[30]

S.Shimizu、P.O.Hoyer、A.Hyvärinen和A.Kerminen。用于因果发现的线性非高斯非循环模型。机器学习研究杂志, 7:2003-2030, 2006.

[31]

S.Shimizu、A.Hyvärinen、Y.Kawahara和T.Washio。在线性非高斯非循环模型中估计因果顺序的直接方法。在第25届人工智能不确定性会议记录（UAI2009），加拿大蒙特利尔，第506-513页。AUAI出版社，2009年。

[32]

R.Silva、R.Scheines、C.Glymour和P.Spites。学习线性潜在变量模型的结构。机器学习研究杂志2006年2月7日，191-246。

[33]

K.Sjöstrand。LASSO、LARS、弹性网和SPCA的Matlab实现，2005年6月。统一资源定位地址http://www2.imm.dtu.dk/pubdb/p.php？3897。2.0版。

[34]

W.P.斯基托维奇。关于正态分布的一个性质。Doklady Akademii Nauk SSSR公司, 89: 217-219, 1953.

[35]

Y.Sogawa、S.Shimizu、Y.Kawahara和T.Washio。线性非高斯因果发现方法及其变体的实验比较。在2010年国际神经网络联合会议记录（IJCNN2010），第768-775页，2010年。

[36]

P.Spirtes和C.Glymour。一种稀疏因果图的快速恢复算法。社会科学计算机评论, 9:67-72, 1991.

[37]

P.Spites、C.Glymour和R.Scheines。因果、预测和搜索Springer Verlag，1993年。（麻省理工学院出版社2000年第二版）。

[38]

R.Tibshirani。通过套索回归收缩和选择。英国皇家统计学会杂志：B辑, 58(1):267-288, 1996.

[39]

H.邹。自适应Lasso及其oracle属性。美国统计协会杂志, 101:1418-1429, 2006.

引用人

Giamatei L公司格雷罗A马拉沃尔塔一世Mascia C公司彼得兰托诺R俄罗斯S萨达曼德MLonetti F公司巴德尼克C李杰格雷罗A(2024)通过因果推理识别微服务架构中的性能问题第五届ACM/IEEE软件测试自动化国际会议记录（AST 2024）10.1145/3644032.3644460(149-153)在线发布日期：2024年4月15日
https://dl.acm.org/doi/10.1145/3644032.3644460
利昂A聂A钱达克Y布伦斯基E(2024)非生产性坚持的因果处理效果评估第14届学习分析与知识会议记录10.1145/3636555.3636899(843-849)在线发布日期：24年3月18日
https://dl.acm.org/doi/10.1145/3636555.3636899
张A陈Y升L王X蔡T惠阳G王H汉族S豪夫C祖肯G张Y(2024)论推荐中的生成代理第47届国际ACM SIGIR信息检索研究与开发会议记录10.1145/3626772.3657844(1807-1817)在线发布日期：2024年7月10日
https://dl.acm.org/doi/10.1145/3626772.3657844
显示更多引用人

索引术语

DirectLiNGAM：学习线性非高斯结构方程模型的直接方法

建议

分层LiNGAM：学习线性非高斯结构方程模型的实用快速方法
机器学习和数据库中的知识发现。研究方向
摘要
结构方程模型（SEM）被广泛用于通过图形分析变量之间的因果关系。线性非高斯无环模型（LiNGAM）是一种SEM模型，它主要假设图是有向无环图（DAG）。。。 $^{}$ $^{}$
线性非高斯非循环模型中因果序估计的直接方法
2009年UAI：第二十五届人工智能不确定性会议记录

结构方程模型和贝叶斯网络被广泛用于分析连续变量之间的因果关系。在这种框架中，线性非循环模型通常用于建模变量的数据生成过程。最近，它。。。
通过▽学习高维线性结构方程模型₁-正则回归

本文提出了一种新的学习高维线性结构方程模型（SEM）的方法，该方法不需要通常假设的信度、高斯误差分布和等误差分布条件。算法的一个关键组成部分是。。。

评论

信息和贡献者

问询处

发布于

出版商

JMLR.org网站

出版历史

出版：2011年7月1日

出版于JMLR体积12

限定符

第条

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

54
引文总数
查看引文
486
总下载次数

下载次数（过去12个月）118
下载次数（最近6周）27

反映截至2024年9月21日的下载量

其他指标

查看作者指标

引文

引用人

贾马特伊L格雷罗A马拉沃尔塔一世Mascia C公司彼得兰托诺R俄罗斯S萨达曼德MLonetti F公司巴德尼克C李杰格雷罗A(2024)通过因果推理识别微服务架构中的性能问题第五届ACM/IEEE软件测试自动化国际会议记录（AST 2024）10.1145/3644032.3644460(149-153)在线发布日期：2024年4月15日
https://dl.acm.org/doi/10.1145/3644032.3644460
利昂A聂A钱达克Y布伦斯基E(2024)非生产性坚持的因果处理效果评估第14届学习分析与知识大会论文集10.1145/3636555.3636899(843-849)在线发布日期：2024年3月18日
https://dl.acm.org/doi/10.1145/3636555.3636899
张A陈Y升L王X蔡T惠阳G王H汉族S豪夫C祖肯G张Y(2024)论推荐中的生成代理第47届国际ACM SIGIR信息检索研究与开发会议记录10.1145/3626772.3657844(1807-1817)在线发布日期：2024年7月10日
https://dl.acm.org/doi/10.1145/3626772.3657844
李X温P陈P陈杰文氏X夏Y(2024)微服务系统故障诊断的并行卷积异常多分类模型软件质量杂志2007年10月17日/11219-024-09672-632:3(921-938)在线发布日期：2024年9月1日
https://dl.acm.org/doi/10.1007/s11219-024-09672-6
铃木H(2024)分层LiNGAM：学习线性非高斯结构方程模型的实用快速方法数据库中的机器学习和知识发现。研究方向10.1007/978-3-031-70365-2_13(217-233)在线发布日期：2024年9月8日
https://dl.acm.org/doi/10.1007/978-3-031-70365-2_13
安德鲁斯B拉姆齐J桑切斯·罗梅罗RCamchong J公司Kummerfeld E公司哦，A诺曼TGloberson A公司Saenko K公司哈德·M莱文S(2023)使用最佳顺序得分搜索和生长收缩树快速准确地发现dags第37届神经信息处理系统国际会议记录10.5555/3666122.3668916(63945-63956)在线发布日期：2023年12月10日
https://dl.acm.org/doi/10.5555/3666122.3668916
斯图尔马N斯奎尔斯C德顿M乌勒C哦，A诺曼TGloberson A公司Saenko K公司硬质合金M莱文S(2023)未配对的多域因果表征学习第37届神经信息处理系统国际会议记录10.5555/3666122.3667618(34465-34492)在线发布日期：2023年12月10日
https://dl.acm.org/doi/10.5555/3666122.3667618
史伟徐伟埃文斯·R施皮策一世(2023)通过核锚回归学习非线性因果效应第三十九届人工智能不确定性会议论文集10.5555/3625834.3626016(1942-1952)在线发布日期：2023年7月31日
https://dl.acm.org/doi/10.5555/3625834.3626016
蔡R黄Z陈伟郝Z张凯（Zhang K）克劳斯A布伦斯基E赵·K恩格哈特B萨巴托S斯佳丽J(2023)基于高阶累积量的潜在混杂因素因果发现第40届机器学习国际会议论文集10.5555/3618408.3618545(3380-3407)在线发布日期：2023年7月23日
https://dl.acm.org/doi/10.5555/3618408.3618545
李X马滕斯M维德曼W(2023)依赖建模的条件方向社会科学计算机评论10.1177/0894439321107316841:4(1252-1275)在线发布日期：2023年8月1日
https://dl.acm.org/doi/10.1177/08944393211073168
显示更多引用人

视图选项

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此文章

媒体

数字

其他

桌子

查看问题目录