×
胡寿波;陈志堂;陈来万

一种基于核嵌入的非平稳因果模型推理方法。 （英语） Zbl 1475.62131号

神经计算。 30，第5期，1394-1425（2018）.
摘要：虽然非平稳数据在现实世界中更为常见，但大多数现有的因果发现方法都没有考虑非平稳性。在这封信中，我们提出了一种基于内核嵌入的方法ENCI，用于非平稳因果模型推理，其中数据是从具有不同分布的多个域收集的。在ENCI中，我们将因果对的复杂关系转换为变量的线性模型，变量的观测值对应于不同领域因果分布的核嵌入。通过这种方式，我们可以利用转换后的线性模型的因果不对称性来估计因果方向。此外，我们将ENCI扩展到多变量因果图发现，方法是将它们之间的关系转换为线性非因果非循环模型。我们证明，通过利用分布的非平稳性，因果对和两种因果图在温和条件下都是可识别的。对合成数据和真实数据进行了实验，以证明ENCI相对于现有主要方法的有效性。

MSC公司：

62G05型 非参数估计
60年12月 一般二阶随机过程

关键词：

非平稳因果模型推断

软件：

DirectLiNGAM公司;k平均值++;TETRAD公司
PDF格式BibTeX公司 XML格式引用
\textit{S.Hu}等人，《神经计算》。30，第5号，1394--1425（2018；Zbl 1475.62131）
全文： 内政部 arXiv公司

参考文献：

[1] Arthur，D.和Vassilvitskii，S.（2007）。k-means++：仔细播种的优点。第十八届ACM-SIAM离散算法年会论文集（1027-1035页）。费城：工业和应用数学学会·Zbl 1302.68273号
[2] Chen，Z.、Zhang，K.、Chan，L.和Schölkopf，B.（2014）。通过再生核希尔伯特空间嵌入发现因果关系。神经计算，26（7），1484-1517·Zbl 1415.68166号
[3] Cheng，J.、Greiner，R.、Kelly，J.，Bell，D.和Liu，W.（2002）。从数据中学习贝叶斯网络：一种基于信息理论的方法。人工智能，137（12），43-90·Zbl 0995.68114号
[4] Comon，P.（1994年）。独立成分分析，一个新概念？信号处理，36（3），287-314·Zbl 0791.62004号
[5] Duncan，O.D.、Featherman，D.L.和Duncan（1972）。社会经济背景和成就。英国牛津：研讨会出版社。
[6] Gretton，A.、Fukumizu，K.、Teo，C.H.、Song，L.、Schölkopf，B.和Smola，A.J.（2007年）。独立性的核心统计测试。John C.Platt、D.Koller、Y.Singer和S.T.Roweis（编辑），《神经信息处理系统的进展》，20（第585-592页）。马萨诸塞州剑桥：麻省理工学院出版社。
[7] Hoyer，P.O.、Janzing，D.、Mooij，J.M.、Peters，J.和Schölkopf，B.（2009年）。具有加性噪声模型的非线性因果发现。D.Koller、D.Schuurmans、Y.Bengio和L.Bottou（编辑），《神经信息处理系统的进展》（第689-696页）。马萨诸塞州剑桥：麻省理工学院出版社。
[8] Hyvärinen，A.和Oja，E.（2000年）。独立成分分析：算法和应用。神经网络，13（4），411-430，
[9] Hyvärinen，A.和Smith，S.M.（2013）。非高斯结构方程模型估计的成对似然比。机器学习研究杂志，14，111-152·Zbl 1307.68069号
[10] Janzing，D.、Hoyer，P.O.和Schölkopf，B.（2009年）。根据高维观察从结果中找出原因。arXiv：0909.4386。
[11] Janzing，D.、Mooij，J.、Zhang，K.、Lemeire，J.和Zscheischler，J.，Daniušis，P.，…Schölkopf，B.（2012）。推断因果方向的信息几何方法。人工智能，182，1-31·Zbl 1248.68490号
[12] Kano，Y.和Shimizu，S.（2003）。使用非正态性进行因果推断。《建模科学国际研讨会论文集，信息标准30周年》（第261-270页）。
[13] Perl，J.（2000）。因果关系：模型、推理和推理。剑桥：剑桥大学出版社·Zbl 0959.68116号
[14] Rudin，W.（2011）。关于群的傅立叶分析。新泽西州霍博肯：威利·Zbl 1361.43001号
[15] Shimizu，S.、Hoyer，P.O.、Hyvärinen，A.和Kerminen，A.（2006年）。因果发现的线性非因果非循环模型。机器学习研究杂志，2003-2030年7月·Zbl 1222.68304号
[16] Shimizu，S.、Inazumi，T.、Sogawa，Y.、Hyvärinen，A.、Kawahara，Y.，Washio，T.…Bollen，K.（2011）。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，1225-1248·Zbl 1280.68195号
[17] Smola，A.、Gretton，A.、Song，L.和Schölkopf，B.（2007年）。分布的希尔伯特空间嵌入。《算法学习理论国际会议论文集》（第13-31页）。柏林：斯普林格·Zbl 1142.68407号
[18] Song，L.、Huang，J.、Smola，A.和Fukumizu，K.（2009）。条件分布的希尔伯特空间嵌入及其在动力系统中的应用。第26届国际机器学习年会论文集（第961-968页）。纽约：ACM，
[19] Spirtes，P.和Glymour，C.（1991年）。稀疏因果图的快速恢复算法。《社会科学计算机评论》，9（1），62-72，
[20] Spites，P.、Glymour，C.和Scheines，R.（1991）。从概率到因果关系。哲学研究，64（1），1-36，
[21] Spites，P.、Glymour，C.N.和Scheines，R.（2000）。因果关系、预测和搜索。马萨诸塞州剑桥：麻省理工学院出版社·兹比尔0806.62001
[22] Voiculescu，D.V.（1997）。自由概率论。普罗维登斯，RI：美国数学学会·Zbl 0960.46040号
[23] Voiculescu，D.V.、Dykema，K.J.和Nica，A.（1992年）。自由随机变量。普罗维登斯，RI：美国数学学会·Zbl 0795.46049号
[24] 张，K.，黄，B.，张，J.，Schölkopf，B.，&Glymour，C.（2015）。非平稳因果模型的发现和可视化。arXiv:1509.08056。
[25] Zhang，K.和Hyvärinen，A.（2009年）。关于后非线性因果模型的可识别性。《第二十五届人工智能不确定性会议论文集》（第647-655页）。马萨诸塞州剑桥：AUAI出版社。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，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。