×

兹马思-数学第一资源

当数据是非线性和噪声时,用于求解非线性因果模型的改进LiNGAM(ALiNGAM)。(英语) Zbl 07261225
摘要:线性非高斯非循环模型(LiNGAM)在寻找非高斯数据集中的线性因果关系方面是非常有效的。但现实世界中的数据具有非线性因果关系,这是大多数模型所没有考虑的。本文提出了一种在数据为非线性和噪声的情况下寻找因果序的方法。结果表明,LiNGAM的基本模型可以用来分析非线性数据,有效地减小误差,减少模型中的噪声。在利用原始LiNGAM的基本结构的同时,我们引入了新的估计过程,为寻找非线性因果关系提供了一种改进的LiNGAM方法。所提出的修改的LiNGAM或ALiNGAM对系统施加特定条件,以使可能的因果方向最大化,并对观测数据集提供完整的因果推理。该方法对合成的非线性噪声、非高斯混合数据类型和非循环因果关系的真实数据集进行了适当的测试。我们还提供了ALiNGAM与原始LiNGAM和直接LiNGAM(DLiNGAM)方法的比较分析。引入因果水平的新概念,对有向无环图(DAGs)中的因果方向进行排序和表示,利用特征中的亲属关系构造因果模型。
理学硕士:
68-XX号 计算机科学
62-XX号 统计
软件:
四分体;导演
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] Bollen,K.A.,具有潜在变量的结构方程(1989),John Wiley和Sons
[2] 《因果关系:模型、推理和推理》(2000),剑桥大学出版社
[3] 斯皮特斯,P。;格雷莫尔,C。;Scheine,R.,因果关系,预测和搜索(1993),Springer Verlag
[4] 清水,S。;霍耶,邮政编码。;Hyvärinen,A。;《非线性发现的高斯模型》,2003年版,第7版
[5] 清水,S。;伊纳祖米,T。;Sogawa,Y。;Hyvärinen,A。;卡瓦哈拉,Y。;Washio,T.,DirectLiNGAM:学习线性非高斯结构方程模型的直接方法,J Mach Learn Res,1225-1248(2011)
[6] Hyvärinen,A。;Smith,S.M.,非高斯结构方程模型估计的成对似然比,J Mach Learn Res,14111-152(2013)
[7] 霍耶,邮政编码。;詹津,D。;穆伊,J。;彼得斯,J。;Schölkopf,B.,具有加性噪声模型的非线性因果发现,(Koller,D.;Schuurmans,D.;Bengio,Y.;Bottou,L.,《神经信息处理系统进展21》(NIPS 2008)(2009)),689-696
[8] 格雷顿,A。;赫布里奇,R。;斯莫拉,A。;博斯克,O。;Schölkopf,B.,测量独立性的核心方法,J Mach Learn Res,6205-2129(2005)
[10] 清水,S。;Hyvärinen,A。;卡诺,Y。;Hoyer,P.O.,使用ICA发现非高斯线性因果模型,第21届人工智能不确定性会议论文集,526-533(2005)
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。