×

兹马思-数学第一资源

基于条件方差的加性噪声模型的可辨识性。(英语) Zbl 07255106
摘要:本文考虑了加性噪声模型(ANMs)的一个新的可辨识条件,其中每个变量由其父代的任意Borel可测函数加上一个独立的误差来确定。结果表明,在某些可辨识条件下,如所有误差方差相等时,ANM是完全可恢复的。然而,这个可辨识条件可能是限制性的,因此,本文主要讨论一个宽松的可辨识条件,这个条件不仅包含误差方差,而且还包括父母的影响。这类新的可识别anm没有对依赖形式或错误分布施加任何约束,并且允许不同的误差方差。基于新的可辨识性条件,提出了一种统计上一致且计算上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。通过大量的模拟和真实的多元数据表明,该算法成功地恢复了有向无环图。

理学硕士:
68T05型 自适应学习系统
软件:
导演;B学习
PDF格式 BibTeX公司 XML 引用
全文: 链接
参考文献:
[1] 陈文宇,马蒂亚斯·德顿,和Y·塞缪尔·王。等变假设下的因果发现。Biometrika,106(4):973-980,2019年。
[2] 大卫·麦克斯韦·奇克林。贪婪搜索的最优结构辨识。机器学习研究杂志,3:507-5542003。
[3] 弗雷德里克·埃伯哈特。介绍因果发现的基础。国际数据科学与分析杂志,3(2):81-912017。
[4] 大卫·爱德华兹。图形建模导论。斯普林格科学与商业媒体,2012年。
[5] Nir Friedman、Michal Linial、Iftach Nachman和Dana Pe'er。利用贝叶斯网络分析表情数据。计算生物学杂志,7(3-4):601-6202000。
[6] 阿西什·戈沙尔和让·霍诺里奥。在多项式时间和样本复杂度下学习可识别高斯贝叶斯网络。神经信息处理系统指南,第6457-6466页,2017年。
[7] 阿西什·戈沙尔和让·霍诺里奥。学习多项式时间和样本复杂度的线性结构方程模型。编辑:Amos Storkey和Fernando Perez Cruz,《第二十一届国际人工智能与统计会议论文集》,机器学习研究过程第84卷,第1466-1475页,加那利群岛兰扎罗特Playa Blanca,2018年4月9日至11日。PMLR。
[8] 克拉克·格莱莫尔、张坤和彼得·斯皮特斯。基于图形模型的因果发现方法综述。遗传学前沿,2019年10月。
[9] 帕特里克·奥霍耶、多米尼克·詹宁、乔里斯·M·穆伊、乔纳斯·彼得斯和伯恩哈德·舒尔科普夫。具有加性噪声模型的非线性因果发现。神经信息处理系统导论,689-6962009页。
[10] 马库斯·卡利什和彼得·比乌尔曼。用pc算法估计高维有向无环图。机器学习研究杂志,8(3月):613-6362007。
[11] 罗宝玲和彼得·伯尔曼。基于协方差逆估计的线性因果网络高维学习。机器学习研究杂志,15(1):3065-31052014。
[12] 乔里斯·穆伊、多米尼克·詹宁、乔纳斯·彼得斯和伯恩哈德·朔尔科普夫。相关最小化回归及其在加性噪声模型因果推理中的应用。第26届国际机器学习年会论文集,745-752页。ACM,2009年。
[13] 乔里斯•M•穆伊、乔纳斯•彼得斯、多米尼克•詹津、雅各布•泽斯切勒和伯恩哈德•舒尔科普夫。用观察数据区分因果关系:方法和基准。机器学习研究杂志,17(1):1103-12042016。
[14] 克里斯托弗·诺佐霍尔和彼得·比乌尔曼。加性噪声模型中基于分数的因果学习。统计学,50(3):471-4852016。
[15] 群雄公园和金永焕。具有齐次和非均匀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):276-2922002年。
[16] 群雄公园和海文公园。广义超几何分布(ghd)有向无环图模型的可辨识性。机器学习研究进展,机器学习研究过程第89卷,第158-166页。PMLR,2019年4月16日至18日a。
[17] 群雄公园和锡安公园。基于1-正则回归的高维poisson结构方程模型学习。机器学习研究杂志,20(95):1-412019b。
[18] 贡温公园和加维什·拉斯库蒂。基于过度分散评分的大规模poisson-dag模型学习。神经信息处理系统指南,第631-639页,2015年。
[19] 贡温公园和加维什·拉斯库蒂。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。
[20] 朱迪亚珍珠。合情推理:智能网络中的概率推理。爱思唯尔,2014年。
[21] 乔纳斯·彼得斯和彼得·比乌尔曼。等误差方差高斯结构方程模型的可辨识性。生物计量学,101(1):219-2282014年。
[22] 乔纳斯·彼得斯、多米尼克·贾宁和伯恩哈德·朔尔科普夫。使用离散数据识别因果关系模型。《第十三届国际人工智能与统计会议论文集》,第597-6042010页。
[23] 乔纳斯·彼得斯、乔里斯·穆伊、多米尼克·贾宁和伯恩哈德·朔尔科普夫。用函数模型研究因果图的可辨识性。arXiv预印本arXiv:1202.37572012年。
[24] 乔纳斯•彼得斯、乔里斯•M•穆伊、多米尼克•詹津和伯恩哈德•朔尔科普夫。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。
[25] 加维斯·拉斯库蒂和卡罗琳·乌勒。基于稀疏置换的有向无环图模型学习。统计,7(1):E1832018年。
[26] Pradeep Ravkumar,Martin J Wainwright,Garvesh Raskutti,Bin Yu,等.最小化“1-惩罚对数行列式散度的高维协方差估计”。电子统计杂志,5:935-980,2011年。
[27] 凯伦·萨克斯、奥马尔·佩雷斯、达娜·佩尔、道格拉斯·劳芬伯格和加里·P·诺兰。从多参数单细胞数据导出的因果蛋白质信号网络。科学,308(5721):523-5292005。
[28] 马可斯库塔里。用bnlearnr包学习贝叶斯网络。arXiv预印本arXiv:0908.38172009。
[29] 邵军。交叉验证线性模型选择。美国统计协会杂志,88(422):486-4941993。
[30] 清水正孝、帕特里克·奥霍耶、亚波·海沃宁和安蒂·科米宁。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] 清水正孝、稻盛和雄、索川安弘、阿宝海林、川上佳彦、瓦希雄、霍耶和博伦。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。
[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。摩根考夫曼出版社,1995年。
[33] 彼得·斯皮特斯、克拉克·N·格莱默和理查德·舍恩斯。因果关系、预测和搜索。麻省理工学院出版社,2000年。
[34] 伊欧尼斯·萨马尔蒂诺和康斯坦丁·阿利费里斯。原则性特征选择:相关性、过滤器和包装器。第九届国际人工智能与统计研讨会。摩根考夫曼出版社:基韦斯特,佛罗里达州,美国,2003年。
[35] 伊欧妮丝·萨马尔蒂诺、劳拉·E·布朗和康斯坦丁·F·阿里菲里斯。最大最小爬山贝叶斯网络结构学习算法。机器学习,65(1):31-782006。
[36] 卡罗琳·乌勒、加维什·拉斯库蒂、彼得·比乌尔曼和俞斌。因果推理中信度假设的几何学。《统计年鉴》,第436-463页,2013年。
[37] 王塞缪尔和马蒂亚斯·德顿。非因果关系下的高维因果发现。《生物计量学》,107(1):41-592020年。
[38] 张吉吉和彼得·斯皮特斯。忠诚的三张脸。Synthese,193(4):1011-10272016年。
[39] 张坤和阿宝·海瑞宁。加性扰动下的因果关系发现:一个信息理论的视角。关于数据库中机器学习和知识发现的欧洲会议,570-585页。斯普林格,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。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。