Aug, 2023
用于估计具有潜变量的因果结构的广义独立噪声条件
Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables
Feng Xie, Biwei Huang, Zhengming Chen, Ruichu Cai, Clark Glymour...
TL;DR我们研究了在存在潜在变量的条件下学习因果结构的复杂任务，包括定位潜在变量和确定它们的数量，以及确定潜在和观察变量之间的因果关系。我们提出了一种用于线性非高斯非循环因果模型（包括潜在变量）的广义独立噪声（GIN）条件，该条件确定了某些测量变量的线性组合与其他测量变量之间的独立性。通过与 GIN 的图形准则的比较，我们发现独立噪声条件可以看作是 GIN 的特殊情况。借助所提出的 GIN 条件和精心设计的搜索程序，我们进一步高效地估计了线性非高斯潜在层次模型（LiNGLaHs），其中潜在变量可能具有因果关系，甚至可能遵循层次结构。实验结果证明了所提出方法的有效性。