一种基于高阶累积量的因果结构学习算法

摘要：

从观测数据中学习因果结构具有重要的应用价值.目前,一类学习因果结构的方法是基于函数因果模型假设,通过检验噪声与原因变量的独立性来学习因果结构.然而,该类方法涉及高计算复杂度的独立性检验过程,影响结构学习算法的实用性和鲁棒性.为此,提出了 一种在线性非高斯模型下,利用高阶累积量作为独立性评估的因果结构学习算法.该算法主要分为两个步骤,第一 个步骤是利用基于条件独立性约束的方法学习到因果结构的马尔可夫等价类,第二个步骤是定义了 一种基于高阶累积量的得分,该得分可以判别两个随机变量的独立性,从而可以从马尔可夫等价类中搜索到最佳独立性得分的因果结构作为算法的输出.该算法的优势在于:a)相比基于核方法的独立性检验,该方法有较低的计算复杂度;b)基于得分搜索的方法,可以得到一个最匹配数据生成过程的模型,提高学习方法的鲁棒性.实验结果表明,基于高阶累积量的因果结构学习方法在合成数据中F1得分提高了 5％,并在真实数据中学习到更多的因果方向.

关键词：因果发现、结构学习、高阶累积量、线性非高斯模型

所属期刊栏目：40

分类号：TP181(自动化基础理论)

资助基金：广东省高等教育教学改革一般类教改项目

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1702-1707