计算机工程

作者：郝志峰, 陈正鸣, 谢峰, 陈薇, 蔡瑞初

单位：1. 广东工业大学 计算机学院, 广州 510006;2. 汕头大学 理学院, 广东 汕头 515063;3. 北京大学 数学科学学院, 北京 100871

关键词：因果发现,因果结构,任意分布,隐变量,函数因果模型

基金：国家自然科学基金（61876043，61976052）；中国博士后科学基金（2020M680225）。

因果发现旨在通过观测数据挖掘变量间的因果关系，在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息（如四分体约束）或引入非高斯假设（如三分体约束）来解决线性因果模型下的隐变量结构学习问题，但大多限定于分布明确的情况，而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明，指出在没有混淆因子影响的情况下，两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上，针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法，先利用四分体约束方法学习得到隐变量骨架图，再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向，同时将非高斯约束放宽到尽可能最小的变量子集，从而扩展线性隐变量模型的应用范围。实验结果表明，与MIMBuild和三分体约束方法相比，该算法得到了最佳的F1值，能够在任意分布下学习更多的隐变量因果结构信息，且具有更强的鲁棒性。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期