用生成神经网络学习功能因果模型
摘要：引言：Causal Generative Neural Networks（CGNN）是一种基于观测数据的功能因果建模的新方法。CGNN利用神经网络的能力，通过最小化生成数据和观测数据之间的最大均值差异来学习观测变量的联合分布的生成模型。我们提出了一种近似学习准则，以线性复杂度来缩放方法的计算成本。该研究通过三个实验评估了CGNN的性能。首先，将CGNN应用于因果推理，任务是识别$X \Rightarrow Y$和$Y \Rightarrow X$中最佳的因果假设。其次，将CGNN应用于识别V结构和条件独立性问题。第三，将CGNN应用于多变量功能因果建模：给定描述一组随机变量$ \textbf{X} = [X_1, \ldots, X_d]$中直接依赖关系的骨架，CGNN定向骨架中的边缘来揭示描述随机变量的因果结构的有向无环因果图。在这三个任务中，CGNN在人工数据和真实世界数据上进行了广泛评估，并与最先进的方法进行了比较。最后，扩展CGNN以处理混淆因素的情况，其中潜在变量涉及整体因果模型。
作者：Olivier Goudet, Diviyan Kalainathan, Philippe Caillou, Isabelle Guyon, David Lopez-Paz, Mich`ele Sebag
论文ID：1709.05321
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-12-04