×

使用条件方差的加性噪声模型的可识别性。 (英语) Zbl 1498.68256号

摘要:本文考虑了加性噪声模型(ANM)的一个新的可辨识条件,其中每个变量由其父项的任意Borel可测函数加上一个独立误差确定。研究表明,在某些可识别条件下,例如当所有误差方差相等时,ANM是完全可恢复的。然而,这种可识别条件可能是限制性的,因此,本文关注的是一种宽松的可识别条件,它不仅涉及误差方差,还涉及父母的影响。这类新的可识别ANM对依赖关系的形式或错误的分布没有任何约束,并且允许不同的错误差异。基于新的可辨识条件,进一步为可辨识ANM提供了一种统计一致且计算可行的结构学习算法。该算法假设所有相关变量都被观测到,而不假设信度或稀疏图。通过大量的模拟和实际多元数据证明,该算法成功地恢复了有向无环图。

MSC公司:

68T05型 人工智能中的学习和自适应系统
62D20型 观察性研究的因果推断
62小时12分 多元分析中的估计
62H22个 概率图形模型
PDF格式BibTeX公司 XML格式引用
全文: 链接

参考文献:

[1] 陈文宇、Mathias Drton和Y Samuel Wang。关于等方差假设的因果发现。《生物统计学》,106(4):973-9802019年·Zbl 1435.62166号
[2] David Maxwell Chickering。贪婪搜索的最优结构识别。机器学习研究杂志,3:507-5542003·Zbl 1084.68519号
[3] 弗雷德里克·埃伯哈特。因果发现基础介绍。国际数据科学与分析杂志,3(2):81-912017。
[4] 大卫·爱德华兹。图形建模简介。施普林格科学与商业媒体,2012年。
[5] 尼尔·弗里德曼(Nir Friedman)、米查尔·利尼尔(Michal Linial)、伊夫塔奇·纳奇曼(Iftach Nachman)和达娜·佩尔(Dana Peer)。使用贝叶斯网络分析表达数据。计算生物学杂志,7(3-4):601-622000。
[6] Asish Ghoshal和Jean Honorio。在多项式时间和样本复杂性中学习可识别高斯贝叶斯网络。《神经信息处理系统进展》,第6457-6466页,2017年。
[7] Asish Ghoshal和Jean Honorio。在多项式时间和样本复杂性中学习线性结构方程模型。阿莫斯·斯托基(Amos Storkey)和费尔南多·佩雷兹·克鲁兹(Fernando Perez-Cruz)主编,《第二十届国际人工智能和统计会议论文集》,机器学习研究进展第84卷,第1466-1475页,加那利群岛兰萨罗特(Lanzarote)帕亚·布兰卡(Playa Blanca),2018年4月9日至11日。PMLR公司。
[8] 克拉克·格雷摩尔(Clark Glymour)、张坤(Kun Zhang)和彼得·斯皮特斯(Peter Spites)。回顾基于图形模型的因果发现方法。遗传学前沿,2019年10月。
[9] Patrik O Hoyer、Dominik Janzing、Joris M Mooij、Jonas Peters和Bernhard Sch¨olkopf。加性噪声模型的非线性因果发现。神经信息处理系统进展,第689-6962009页。
[10] 马库斯·卡利什(Markus Kalisch)和彼得·贝鲁曼(Peter B–uhlmann)。用pc-算法估计高维有向非循环图。机器学习研究杂志,8(3月):613-6362007·Zbl 1222.68229号
[11] Po-Ling Loh和Peter B–uhlmann。基于协方差逆估计的线性因果网络的高维学习。机器学习研究杂志,15(1):3065-31052014·Zbl 1318.68148号
[12] Joris Mooij、Dominik Janzing、Jonas Peters和Bernhard Sch¨olkopf。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。第26届国际机器学习年会论文集,第745-752页。ACM,2009年。
[13] Joris M Mooij、Jonas Peters、Dominik Janzing、Jakob Zscheischler和Bernhard Sch¨olkopf。使用观测数据区分因果:方法和基准。《机器学习研究杂志》,17(1):1103-12042016·兹比尔1360.68700
[14] Christopher Nowzohour和Peter B–uhlmann。加性噪声模型中基于分数的因果学习。统计,50(3):471-4852016年·Zbl 1360.62135号
[15] Gunwoong Park和Youngwhan Kim。具有齐次和非齐次误差方差的高斯线性结构方程模型的可辨识性。《韩国统计学会杂志》,49(1):276-2922020年·Zbl 1485.62073号
[16] Gunwoong Park和Hyewon Park。广义超几何分布(ghd)定向非循环图形模型的可识别性。机器学习研究论文集,机器学习研究进展第89卷,第158-166页。PMLR,2019年4月16日至18日a。
[17] Gunwoong Park和Sion Park。通过'1-正则回归学习高维泊松结构方程模型。机器学习研究杂志,20(95):1-412019b·Zbl 1434.68445号
[18] Gunwoong Park和Garvesh Raskutti。基于过度分散评分学习大规模泊松-达格模型。《神经信息处理系统进展》,第631-639页,2015年。
[19] Gunwoong Park和Garvesh Raskutti。通过过度分散评分(ods)学习二次方差函数(qvf)dag模型。机器学习研究杂志,18(224):1-442018·Zbl 1470.68156号
[20] 朱迪娅·珀尔。智能系统中的概率推理:似是而非推理网络。Elsevier,2014年。
[21] Jonas Peters和Peter B–uhlmann。具有等误差方差的高斯结构方程模型的可辨识性。《生物特征》,101(1):219-2282014·Zbl 1285.62005号
[22] 乔纳斯·彼得斯、多米尼克·詹津和伯恩哈德·施奥尔科普夫。使用加性噪声模型识别离散数据的原因和影响。《第十三届国际人工智能与统计会议论文集》,第597-604页,2010年。
[23] Jonas Peters、Joris Mooij、Dominik Janzing和Bernhard Sch¨olkopf。使用函数模型的因果图的可识别性。arXiv预印本arXiv:1202.37572012。
[24] Jonas Peters、Joris M Mooij、Dominik Janzing和Bernhard Sch¨olkopf。连续加性噪声模型的因果发现。机器学习研究杂志,15(1):2009-20532014·Zbl 1318.68151号
[25] 加维什·拉斯库蒂(Garvesh Raskutti)和卡罗琳·尤勒(Caroline Uhler)。学习基于稀疏排列的有向无环图模型。统计数据,7(1):2018年1月183日。
[26] Pradeep Ravikumar、Martin J Wainwright、Garvesh Raskutti、Bin Yu等。通过最小化1阶对数行列式方差进行高维协方差估计。《电子统计杂志》,5:935-9802011年·Zbl 1274.62190号
[27] 凯伦·萨克斯(Karen Sachs)、奥马尔·佩雷斯(Omar Perez)、达娜·佩尔(Dana Peer)、道格拉斯·劳芬伯格(Douglas A Lauffenburger)和加里·诺兰(Garry P Nolan)。由多参数单细胞数据衍生的因果蛋白信号网络。《科学》,308(5721):523-5292005。
[28] Marco Scutari。使用bnlearn r包学习贝叶斯网络。arXiv预印本arXiv:0908.38172009。
[29] 邵军。通过交叉验证选择线性模型。美国统计协会杂志,88(422):486-4941993·Zbl 0773.62051号
[30] Shohei Shimizu、Patrik O Hoyer、Aapo Hyv¨arinen和Antti Kerminen。因果发现的线性非高斯非循环模型。机器学习研究杂志,7:2003-20302006·Zbl 1222.68304号
[31] 清水秀、稻津隆彦、松川康弘、阿波·海夫·阿林、川原义博、瓦西隆、帕特里克·O·霍耶和肯尼思·博伦。Directlingam:学习线性非高斯结构方程模型的直接方法。机器学习研究杂志,12(4月):1225-12482011·Zbl 1280.68195号
[32] 彼得·斯皮特斯。反馈模型的有向循环图形表示。第十一届人工智能不确定性会议论文集,第491-498页。摩根考夫曼出版公司,1995年。
[33] 彼得·斯皮特斯(Peter Spirtes)、克拉克·格雷摩尔(Clark N Glymour)和理查德·谢恩斯(Richard Scheines)。因果关系、预测和搜索。麻省理工学院出版社,2000年。
[34] Ioannis Tsamardinos和Constantin F Aliferis。走向原则性特征选择:相关性、过滤器和包装器。第九届人工智能与统计国际研讨会论文集。摩根考夫曼出版社:基韦斯特,佛罗里达州,美国,2003年。
[35] Ioannis Tsamardinos、Laura E Brown和Constantin F Aliferis。最大爬山贝叶斯网络结构学习算法。机器学习,65(1):31-782006·Zbl 1470.68192号
[36] 卡罗琳·尤勒(Caroline Uhler)、加维什·拉斯库蒂(Garvesh Raskutti)、彼得·贝鲁曼(Peter B¨uhlmann)和余斌(Bin Yu)。因果推理中忠实假设的几何学。《统计年鉴》,第436-463页,2013年·Zbl 1267.62068号
[37] Y Samuel Wang和Mathias Drton。非因果关系下的高维因果发现。Biometrika,107(1):41-592020·兹比尔1435.62213
[38] 张纪吉和彼得·斯皮茨。忠诚的三张脸。Synthese,193(4):1011-10272016年·Zbl 1528.03141号
[39] Kun Zhang和Aapo Hyv¨arinen。加性扰动因果关系发现:信息理论视角。欧洲数据库机器学习和知识发现联合会议,第570-585页。施普林格,2009年a。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。