关于后非线性因果模型的可识别性

May, 2012

关于后非线性因果模型的可识别性

On the Identifiability of the Post-Nonlinear Causal Model

Kun Zhang, Aapo Hyvarinen

TL;DR本研究通过系统研究二元情况下的可辨识性，证明了 PNL 因果模型在大多数情况下是可辨识的，同时为其可辨识性提供了充分条件。在多于两个变量的情况下，我们通过将 PNL 因果模型应用于 Markov 等价类中的每个结构，并测试干扰是否独立于直接原因确定整个因果结构，避免了对所有可能的因果结构进行穷举搜索。

Abstract

By taking into account the nonlinear effect of the cause, the inner noise effect, and the measurement distortion effect in the observed variables, the post-nonlinear (PNL) causal model has demonstrated its excellent performance in distinguishing the cause from effect. However, its

发现论文，激发创造

使用级联非线性加性噪声模型进行因果关系发现

提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

May, 2019

深度潜变量模型因果估计的一项重要检验

通过多个数据集的实验和分析，研究了深度潜变量模型在因果推断中的应用，发现需要注意确保其因果估计的正确性。

Feb, 2021

线性潜变量模型中受测量误差影响的因果推断

探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

Nov, 2022

合成控制模型的非参数识别性和敏感性分析

本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

Jan, 2023

未知干预下因果表征的非参数识别

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

Jun, 2023

非线性潜在层次模型的识别

本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。

Jun, 2023

可识别的潜在多项式因果模型：变化的视角

从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。

Oct, 2023

从一般环境中学习因果表示：可识别性和内在歧义

该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

Nov, 2023

可识别的隐含神经因果模型

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024

利用归一化流在后非线性模型中实现因果发现

通过使用正则化流架构强制执行PNL模型中的关键可逆约束，CAFPoNo引入了一种解决PNL模型中存在的挑战性问题的方法，并通过统计独立性测试准确重构隐藏噪声，在因果关系鉴定中扮演重要角色，并可扩展到多元因果发现以揭示复杂因果关系，且在仿真和真实数据集上的实验证实表明该方法在二元和多元因果发现任务中优于现有方法。

Jul, 2024