Panagiotis Misiakos, Chris Wendler, Markus Püschel
TL;DR提出了一种新的算法,从线性结构方程模型(SEM)生成的数据中学习有向无环图(DAG)。该算法证明在新设置中的可识别性,并显示与之前的 DAG 学习方法相比,少量有噪声的 root causes 能提供优异性能。
Abstract
We present a novel perspective and algorithm for learning directed acyclic
graphs (DAGs) from data generated by a linear structural equation model (SEM).
First, we show that a linear SEM can be viewed as a linear transform that, in
prior work, computes the data from a dense input vecto
基于连续优化框架通过引入松弛且可实现的充分条件,证明了一类可辨识的结构方程模型 (SEM),在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法,并设计了一个有效的两阶段迭代算法来解决优化困难,实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上,实验结果显示该方法明显优于现有方法。
该研究开发了一个框架,可用于从数据中学习稀疏的非参数有向无环图(DAG)。该方法基于最近对 DAG 进行的代数描述,该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序,该程序通过线性结构方程模型(SEM)进行参数化。该框架适用于各种非参数和半参数模型,包括广义线性模型(GLMs)、加性噪声模型和索引模型等特殊情况。与现有方法不同,这个方法不需要特定的建模选择、损失函数或算法,它提供了一个完全通用的框架,可应用于一般的非线性模型和一般的可微分的损失函数,以及通用的黑盒优化例程。代码可在 https 网址处获得。