线性非高斯循环模型的局部因果发现

Mar, 2024

线性非高斯循环模型的局部因果发现

Local Causal Discovery with Linear non-Gaussian Cyclic Models

Haoyue Dai, Ignavier Ng, Yujia Zheng, Zhengqing Gao, Kun Zhang

TL;DR本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

Abstract

local causal discovery is of great practical significance, as there are often situations where the discovery of the global causal structure is unnecessary, and the interest lies solely on a single target variable. Most existing local methods utilize →

local causal discovery conditional independence relations linear non-gaussian models independent subspace analysis identifiability results

发现论文，激发创造

带有局部搜索的混合全局因果发现

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024

DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

有向循环图的发现算法

本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

Feb, 2013

独立成分分析发现循环因果模型

本篇论文通过 ICA 方法，利用连续观测数据，发现了线性非高斯的因果结构模型 (LiNGAM-SEM)。该 LiNGAM 发现算法所输出的 SEM 分布等价类在大样本情况下是种群分布，并提出了仅有其中一个 SEM 稳定的充分条件。

Jun, 2012

探究存在未观测混杂因素和非高斯数据的因果发现

从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

Jul, 2020

循环模型中带有隐藏共变量的因果发现方法的比较研究

对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究，评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。

Jan, 2024

通过关系消环来学习具有环的关系因果模型

在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。

Aug, 2022

基于约束的非线性结构因果模型发现：循环和潜在混淆变量

采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

Jul, 2018

使用非线性 ICA 进行具有普适非线性关系的因果发现

研究非线性关系下的因果发现问题，提出基于非线性独立成分分析的方法，通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向，并扩展到多变量因果发现，最终通过神经成像数据证明该方法的有效性。

Apr, 2019

基于独立性检验的测量误差和线性非高斯模型因果发现方法

本文提出了一种基于 Transformed Independent Noise (TIN) 的方法，用于解决测量误差下的因果图结构恢复问题，相比现有方法，TIN 条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。

Oct, 2022