基于得分的加性噪声模型下的因果学习
摘要：通过对多个变量进行抽样得到的数据，人们常常对以有向无环图形式表示的潜在因果关系感兴趣。在一般情况下，在某些变量上不能进行干预的情况下，只能确定到该图的Markov等价类。然而，在某些情况下，可以仅通过观察数据找到真实的因果图，例如在具有添加噪声和非线性边缘函数的结构方程模型中。目前，实现这一目标的大多数方法都依赖于非参数独立性检验。其中一个问题是零假设是独立性，而研究人员希望获得对此的证据。我们在这项工作中采用了一种不同的方法，即将惩罚最大似然作为模型选择的得分。在许多情况下，这在实践中是可行的，并且具有产生候选模型的自然排序的优势。当对概率密度空间进行平滑性假设时，我们证明了惩罚最大似然估计器的一致性。我们还展示了针对模拟场景和真实的二维数据集（因果关系对）的实证结果，在这些实验中我们获得了与其他最先进方法相似的结果。 因果关系图的模型选择中的惩罚最大似然估计器的一致性和实证结果
作者：Christopher Nowzohour and Peter B"uhlmann
论文ID：1311.6359
分类：Machine Learning
分类简称：stat.ML
提交时间：2017-12-05