×
Park，Gunwoong公园；金，永文

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。 （英语） Zbl 1485.62073号

J.韩国统计学会。 49，编号1，276-292（2020）.
摘要：在这项工作中，我们考虑了高斯线性结构方程模型（SEM）的可辨识性假设，其中每个变量由其父变量的线性函数加上正态分布误差确定。研究表明，如果所有误差方差相同或已知，线性高斯结构方程模型是完全可辨识的。因此，本文证明了高斯SEM在均匀和异质未知误差方差下的可辨识性。我们新的可识别性假设不仅利用了误差方差，还利用了边缘权重；因此，在可识别性结果上，它严格地比以前的工作温和。基于我们的新假设，我们进一步提供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，而不假设因果最小和信度。我们通过仿真和实际多元数据验证了我们的理论发现，并将我们的算法与最先进的PC、GES和GDS算法进行了比较。

引用于7文件

MSC公司：

62H22个 概率图形模型
62-08 统计问题的计算方法
68T05型 人工智能中的学习和自适应系统

关键词：

贝叶斯网络；因果推断；有向非循环图形模型；可识别性；结构方程模型

软件：

TETRAD公司；MIM公司；DirectLiNGAM公司
PDF格式BibTeX公司 XML格式引用
\textit{G.Park}和\textit{Y.Kim}，J.Korean Stat.Soc.49，No.1，276--292（2020；Zbl 1485.62073）
全文： 内政部 arXiv公司

参考文献：

[1] Bühlmann，P。；彼得斯，J。；Ernest，J.，Cam:因果加性模型，高维有序搜索和惩罚回归，《统计年鉴》，42，2526-2556（2014）·Zbl 1309.62063号 ·doi:10.1214/14-AOS1260
[2] Chickering，D.M.（1996）。学习贝叶斯网络是np-complete，在数据学习中。施普林格，第121-130页。
[3] Chickering，DM，贪婪搜索的最优结构识别，机器学习研究杂志，3507-554（2003）·Zbl 1084.68519号
[4] Chickering，D.M.、Geiger，D.和Heckerman，D.等人（1994年）。学习贝叶斯网络是NP-hard。技术报告。Citeser·Zbl 0831.68096号
[5] Doya，K.，《贝叶斯大脑：神经编码的概率方法》（2007），剑桥：麻省理工学院出版社，剑桥·Zbl 1137.91015号
[6] Edwards，D.，《图形建模导论》（2012），纽约：Springer，纽约·Zbl 0952.62003号
[7] 弗里德曼，N。；Linial，M。；我·纳奇曼。；Peer，D.，使用贝叶斯网络分析表达数据，计算生物学杂志，7601-620（2000）·doi:10.1089/106652700750050961
[8] Ghoshal，A.和Honorio，J.（2017年）。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。摘自：《神经信息处理系统进展》，第6457-6466页。
[9] Harary，F.（1973）。图论的新方向。技术报告。密歇根大学安阿伯数学系·Zbl 0253.0004
[10] Hoyer，P.O.、Janzing，D.、Mooij，J.M.、Peters，J.和Schölkopf，B.（2009年）。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689-696页。
[11] Kalisch，M。；Bühlmann，P.，用PC-算法估计高维有向非循环图，机器学习研究杂志，8613-636（2007）·Zbl 1222.68229号
[12] Kephart，J.O.和White，S.R.（1991年）。计算机病毒的定向颗粒流行病学模型，《安全与隐私研究》，1991年。诉讼程序。，1991年IEEE计算机学会IEEE研讨会。第343-359页。
[13] Lauritzen，SL，《图形模型》（1996），牛津：牛津大学出版社，牛津·Zbl 0907.62001
[14] Loh，PL公司；Bühlmann，P.，通过逆协方差估计实现线性因果网络的高维学习，《机器学习研究杂志》，第15期，第3065-3105页（2014年）·Zbl 1318.68148号
[15] Mooij，J.、Janzing，D.、Peters，J.和Schölkopf，B.（2009年）。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届机器学习国际年会论文集，ACM。第745-752页。
[16] Park，G.和Park，H.（2019）。广义超几何分布（ghd）定向非循环图形模型的可辨识性。机器学习研究论文集，PMLR。第158-166页。
[17] Park，G.和Raskutti，G.（2015）。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。
[18] 帕克·G。；Raskutti，G.，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，18，1-44（2018）·Zbl 1470.68156号
[19] Pearl，J.，《智能系统中的概率推理：似是而非推理网络》（2014），阿姆斯特丹：爱思唯尔出版社·Zbl 0746.68089号
[20] 彼得斯，J。；Bühlmann，P.，等误差方差高斯结构方程模型的可识别性，生物统计学，101219-228（2014）·兹比尔1285.62005 ·doi:10.1093/biomet/ast043
[21] Peters，J.，Mooij，J.、Janzing，D.和Schölkopf，B.（2012年）。使用函数模型的因果图的可识别性。arXiv预打印arXiv:1202.3757·Zbl 1318.68151号
[22] 清水，S。；PO霍耶；Hyvärinen，A。；Kerminen，A.，因果发现的线性非高斯非循环模型，机器学习研究杂志，2003-2030（2006）·Zbl 1222.68304号
[23] 清水，S。；Inazumi，T。；Sogawa，Y。；Hyvärinen，A。；Y.川原。；Washio，T。；PO霍耶；Bollen，K.，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（2011）·Zbl 1280.68195号
[24] Spirtes，P.（1995）。反馈模型的定向循环图形表示，《第十一届人工智能不确定性会议论文集》，摩根考夫曼出版社，第491-498页。
[25] Spirtes，P。；格利摩，中国；Scheines，R.，因果、预测和搜索（2000），剑桥：麻省理工学院出版社，剑桥·Zbl 0806.62001
[26] Tsamardinos，I.和Aliferis，C.F.（2003）。走向原则性特征选择：相关性、过滤器和包装器，《第九届人工智能和统计国际研讨会论文集》，摩根·考夫曼出版社：美国佛罗里达州基韦斯特。
[27] 沙马尔迪诺斯一世。；布朗，LE；Aliferis，CF，最大爬山贝叶斯网络结构学习算法，机器学习，65，31-78（2006）·Zbl 1470.68192号 ·doi:10.1007/s10994-006-6889-7
[28] Uhler，C.、Raskutti，G.、Bühlmann，P.和Yu，B.（2013）。因果推理中忠实性假设的几何学。《统计年鉴》，第436-463页·Zbl 1267.62068号
[29] 张杰。；Spirtes，P.，《忠诚的三个面孔》，Synthese，1931011-1027（2016）·兹比尔1528.03141 ·doi:10.1007/s11229-015-0673-9
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。