基于秩的后非线性模型因果发现

格里戈·科洛皮扬、大卫·斯特雷德、马蒂亚斯·德顿
第26届国际人工智能与统计会议论文集，PMLR 206:7849-78702023年。

摘要

从实证观察中学习因果关系是科学研究的中心任务。一种常见的方法是采用结构因果模型，假设一组相互作用的变量之间存在噪声函数关系。为了确保因果方向的唯一可识别性，研究人员考虑了结构因果模型的受限子类。后非线性（PNL）因果模型是此类受限子类最灵活的选择之一，尤其包括作为进一步子类的流行的加性噪声模型。然而，除了双变量情况外，PNL模型的学习还没有得到很好的研究。现有方法通过最小化残差依赖性来学习非线性函数关系，然后测试与残差的独立性以确定因果方向。然而，这些方法可能容易过拟合，因此很难在实践中进行适当调整。作为替代方案，我们提出了一种新的PNL因果发现方法，该方法使用基于等级的方法来估计功能参数。这种新方法利用PNL模型的自然不变性，并将非线性函数的估计从用于寻找因果方向的独立性测试中分离出来。我们证明了我们方法的一致性，并在数值实验中验证了我们的结果。

引用本文

BibTeX公司
@会议记录{pmlr-v206-keropyan23a，title={后非线性模型基于秩的因果发现}，author={科洛普扬、格里戈和斯特雷德、戴维和德顿、马蒂亚斯}，booktitle＝{第26届国际人工智能与统计会议论文集}，页码={7849--7870}，年份={2023}，编辑＝{Ruiz，Francisco和Dy，Jennifer和van de Meent，Jan Willem}，体积={206}，series={机器学习研究论文集}，月={4月25日--27日}，publisher={PMLR}，pdf={https://processes.mlr.press/v206/keropyan23a/keropyan22a.pdf}，url={https://processes.mlr.press/v206/keropyan23a.html}，抽象={从实证观察中学习因果关系是科学研究的中心任务。一种常见的方法是使用结构因果模型，假设一组相互作用的变量之间存在噪声函数关系。为了确保因果方向的唯一可识别性，研究人员考虑结构因果关系的受限子类阅读模型。后非线性（PNL）因果模型是此类受限子类最灵活的选择之一，尤其包括作为进一步子类的流行的加性噪声模型。然而，除了双变量情况外，PNL模型的学习还没有得到很好的研究。现有方法通过最小化残差依赖性来学习非线性函数关系，然后测试与残差的独立性以确定因果方向。然而，这些方法可能容易过拟合，因此在实践中很难进行适当的调整。作为替代方案，我们提出了一种新的PNL因果发现方法，该方法使用基于等级的方法来估计功能参数。这种新方法利用PNL模型的自然不变性，并将非线性函数的估计从用于寻找因果方向的独立性测试中分离出来。我们证明了我们方法的一致性，并在数值实验中验证了我们的结果。}}
尾注
%0会议论文%基于T秩的后非线性模型因果发现%格里戈尔·科洛皮扬%大卫·斯特雷德%马蒂亚斯·德顿%第26届国际人工智能与统计会议论文集%C机器学习研究进展%D 2023年%E弗朗西斯科·鲁伊斯%E詹妮弗·戴伊%E Jan-Willem van de Meent公司%F pmlr-v206-keropyan23a型%我PMLR%电话7849-7870%U型https://proceedings.mlr.press/v206/keropyan23a.html%第206页%从经验观察中学习因果关系是科学研究的中心任务。一种常见的方法是使用结构性因果模型，假设一组相互作用的变量之间存在噪声函数关系。为了确保因果方向的唯一可识别性，研究人员考虑了结构因果模型的受限子类。后非线性（PNL）因果模型是此类受限子类最灵活的选择之一，尤其包括作为进一步子类的流行的加性噪声模型。然而，除了双变量情况外，PNL模型的学习还没有得到很好的研究。现有方法通过最小化残差依赖性来学习非线性函数关系，然后测试与残差的独立性以确定因果方向。然而，这些方法可能容易过拟合，因此很难在实践中进行适当调整。作为一种替代方案，我们提出了一种新的PNL因果发现方法，该方法使用基于秩的方法来估计函数参数。这种新方法利用PNL模型的自然不变性，并将非线性函数的估计从用于寻找因果方向的独立性测试中分离出来。我们证明了我们方法的一致性，并在数值实验中验证了我们的结果。
亚太地区
Keropyan，G.，Strieder，D.&Drton，M.（2023年）。基于秩的后非线性模型因果发现。第26届国际人工智能与统计会议论文集，英寸机器学习研究进展206:7849-7870网址：https://proceedings.mlr.press/v206/keropyan23a.html。

相关材料