LoSAM: Local Search in Additive Noise Models with Unmeasured Confounders, a Top-Down Global Discovery Approach

要約

私たちは、基礎となるデータ生成プロセスに追加の仮定を課すことなく、付加的なノイズを含む構造方程式モデルの因果関係を発見するという課題に取り組みます。
加法ノイズ モデルでの局所探索 (LoSAM) を導入します。これは、局所的な因果サブ構造を一般的な加法ノイズ設定に活用する既存の非線形手法を一般化し、線形と非線形の両方の因果メカニズムを可能にします。
我々は、LoSAM が多項式実行時間を達成し、新しい部分構造を利用して各ステップでのコンディショニング セットを最小限に抑えることによって実行時間と効率を向上させることを示します。
さらに、ルート間の未測定の交絡に対して堅牢な LoSAM のバリアントである LoSAM-UC を導入します。この特性は、機能的因果モデルに基づく方法では満たされないことがよくあります。
LoSAM の有用性を数値的に実証し、既存のベンチマークを上回るパフォーマンスを示します。

要約(オリジナル)

We address the challenge of causal discovery in structural equation models with additive noise without imposing additional assumptions on the underlying data-generating process. We introduce local search in additive noise model (LoSAM), which generalizes an existing nonlinear method that leverages local causal substructures to the general additive noise setting, allowing for both linear and nonlinear causal mechanisms. We show that LoSAM achieves polynomial runtime, and improves runtime and efficiency by exploiting new substructures to minimize the conditioning set at each step. Further, we introduce a variant of LoSAM, LoSAM-UC, that is robust to unmeasured confounding among roots, a property that is often not satisfied by functional-causal-model-based methods. We numerically demonstrate the utility of LoSAM, showing that it outperforms existing benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google