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中的参考文献(参考文献21条)

显示第1到第20个结果,共21个。
按年份排序(引用)
  1. 妮可,尼可拉;梅恩绍森,尼科莱;彼得斯,乔纳斯;恩格尔,塞巴斯蒂安:重尾模型中的因果发现(2021)
  2. 公园,群雄;Kim,Yesool:学习具有异质误差方差的高维高斯线性结构方程模型(2021)
  3. 公园,群雄;月亮,桑君;西昂公园;Jeon,Jong-June:通过(\ell-1)-正则化回归学习高维线性结构方程模型(2021)
  4. 罗伯瓦,埃莉娜;Seby,Jean-Baptiste:线性结构方程模型中的多重旅行分离(2021)
  5. 王冰玲;周青:具有不可逆功能关系的因果网络学习(2021)
  6. Park,Gunwoong:使用条件方差的加性噪声模型的可识别性(2020年)
  7. 萨列卡莱巴尔,军刀;加萨米,阿米雷玛;基亚瓦什,内加尔;张坤:学习存在潜在变量的线性非高斯因果模型(2020)
  8. 曾、燕;郝志峰;蔡瑞初;谢峰;欧亮;黄瑞辉:基于叶节点先验选择的因果发现算法(2020)
  9. 公园,群雄;Park,Sion:高维Poisson结构方程模型学习通过(\ell_1)-正则化回归(2019)
  10. 胡守波;陈志堂;陈来万:基于核嵌入的非平稳因果模型推理方法(2018)
  11. 刘福瑞;陈来万:高维线性模型中使用光谱测量第一矩的共焦检测(2018)
  12. 威尔德曼,沃尔夫冈;梅克尔,埃德加C。;von Eye,Alexander:测量误差模型中的依赖方向(2018)
  13. 帕里达,普拉莫德库马尔;马尔瓦拉、齐利兹;Chakraverty,Snehashish:当数据是非线性和有噪声时,用于解决非线性因果模型的改进LiNGAM(ALiNGAM)(2017)
  14. 帕里达,普拉莫德库马尔;马尔瓦拉、齐利兹;Chakraverty,Snehashish:因果研究的最新进展综述(2017)
  15. 刘福瑞;陈来万:通过估计距离相关性对离散数据进行因果推断(2016)
  16. 莫伊,乔里斯M。;彼得斯,乔纳斯;贾宁,多米尼克;雅各布Zscheischler;Schölkopf,Bernhard:使用观测数据区分因果关系:方法和基准(2016)
  17. 陈志堂;张坤;陈来万;Schölkopf,Bernhard:通过再生核Hilbert空间嵌入发现因果关系(2014)
  18. 亚历山大·索科尔;马修斯,马洛斯H。;Falkeborg,Benjamin:独立成分分析中的量化可识别性(2014)
  19. Tashiro,Tatsuya;清水、昭和;Hyvärinen,亚保;Washio,Takashi:ParceLiNGAM:一种抗潜在混杂因素的因果排序方法(2014)
  20. 陈志堂;陈来万:《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)