详细内容或原文请订阅后点击阅览
无非高斯性的多视图因果发现：可识别性和算法
因果发现是一个难题，通常依赖于对数据生成模型的强假设，例如非高斯性。在实践中，许多现代应用程序提供同一系统的多个相关视图，这很少被考虑用于因果发现。在这里，我们利用这种多视图结构来实现弱假设的因果发现。我们提出了一种多视图线性结构方程模型（SEM），它通过交替利用视图的相关性来扩展众所周知的非高斯扰动框架。我们证明了……的可识别性
来源:Apple机器学习研究因果发现是一个难题，通常依赖于对数据生成模型的强假设，例如非高斯性。在实践中，许多现代应用程序提供同一系统的多个相关视图，这很少被考虑用于因果发现。在这里，我们利用这种多视图结构来实现弱假设的因果发现。我们提出了一种多视图线性结构方程模型（SEM），它通过交替利用视图的相关性来扩展众所周知的非高斯扰动框架。我们证明了非循环 SEM 模型的可识别性。随后，受单视图算法（DirectLiNGAM、PairwiseLiNGAM 和 ICA-LiNGAM）的启发，我们提出了几种多视图因果发现算法。新方法通过神经影像数据的模拟和应用得到验证，可以估计大脑区域之间的因果图。