导演

DirectLiNGAM:学习线性非高斯结构方程模型的直接方法。结构方程模型和贝叶斯网络被广泛应用于分析连续变量之间的因果关系。在这样的框架中,线性非循环模型通常用来模拟变量的数据生成过程。最近的研究表明,使用非高斯性可以识别出一个线性非循环模型的全部结构,即变量及其连接强度的因果排序,而不需要使用网络结构的任何先验知识,这与传统方法不同。然而,现有的估计方法都是基于迭代搜索算法的,在有限的步骤内可能无法收敛到正确的解。本文提出了一种新的基于非高斯性的因果序和连接强度的直接估计方法。与以往的方法相比,我们的算法不需要任何算法参数,并且如果数据严格遵循模型,即在满足所有模型假设且样本量无限的情况下,可以保证在较小的固定步数内收敛到正确的解。


zbMATH参考文献(14篇文章引用)

显示第1至14个结果,共14个。
按年份排序(引用)

  1. Park,Gunwoong:使用条件方差的加性噪声模型的可识别性(2020年)
  2. Salehkaleybar,Saber;Ghassami,Amiremad;Kiyavash,Negar;Zhang,Kun:在潜在变量存在下学习线性非高斯因果模型(2020)
  3. 曾,燕;郝志峰;蔡瑞初;谢,峰;欧,梁;黄,瑞辉:基于叶节点先验选择的因果发现算法(2020)
  4. Park,Gunwoong;Park,Sion:高维Poisson结构方程模型学习(通过(\ell_1)-正则化回归(2019)
  5. Wiedermann,Wolfgang;Merkle,Edgar C.;von Eye,Alexander:测量误差模型中的依赖方向(2018)
  6. Parida,Pramod Kumar;Marwala,Tshilidzi;Chakraverty,Snehashish:当数据为非线性和噪声时,用于求解非线性因果模型的修改LiNGAM(ALiNGAM)(2017年)
  7. Parida,Pramod Kumar;Marwala,Tshilidzi;Chakraverty,Snehashish:因果研究的最新进展综述(2017)
  8. Liu,Furui;Chan,Laiwan:通过估计距离相关性对离散数据进行因果推断(2016)
  9. Mooij,Joris M.;Peters,Jonas;Janzing,Dominik;Zscheischler,Jakob;Schölkopf,Bernhard:使用观测数据区分因果关系:方法和基准(2016)
  10. 陈志堂;张坤;陈,来湾;舍尔科夫,伯恩哈德:通过复制核希尔伯特空间嵌入的因果发现(2014)
  11. Sokol,Alexander;Maathuis,Marloes H.;Falkeborg,Benjamin:在独立成分分析中量化可识别性(2014)
  12. Tashiro,Tatsuya;Shimizu,Shohei;Hyvärinen,Aapo;Washio,Takashi:ParceLiNGAM:一种对潜在混杂因素鲁棒的因果排序方法(2014)
  13. 陈志堂;陈,来湾:潜在高斯混杂因素下线性非高斯非循环模型的因果关系(2013)
  14. Shimizu,Shohei;Inazumi,Takanori;Sogawa,Yasuhiro;Hyvärinen,Aapo;Kawahara,Yoshinobu;Washio,Takashi;Hoyer,Patrik O;Bollen,Kenneth:DirectLiNGAM:学习线性非高斯结构方程模型的直接方法(2011年)